Rezumat teza - Universitatea Tehnic?

Ing. Mihaela ȘUTEU (căsăt. CÎȘLARIU) 

CONTRIBUȚII LA RESTAURAREA, CORECȚIA ȘI 

ÎMBUNĂTĂȚIREA IMAGINILOR ȘI SECVENȚELOR 

VIDEO 

REZUMATUL TEZEI DE DOCTORAT 

Conducător științific: 

Prof.dr.ing. Aurel VLAICU 

UNIVERSITATEA TEHNICĂ 

CLUJ-NAPOCA

FACULTATEA DE ELECTRONICĂ, TELECOMUNICAȚII ȘI TEHNOLOGIA 

INFORMAȚIEI 

Ing. Mihaela ȘUTEU (căsăt.CÎȘLARIU) 

CONTRIBUȚII LA RESTAURAREA, CORECȚIA ȘI 

ÎMBUNĂTĂȚIREA IMAGINILOR ȘI SECVENȚELOR 

VIDEO 

REZUMATUL TEZEI DE DOCTORAT 

UNIVERSITATEA TEHNICĂ 

CLUJ-NAPOCA 

2011 

Conducător științific 

Prof.dr.ing.Aurel VLAICU

Contribuţii la restaurarea, corecţia şi îmbunătăţirea imaginilor şi secvenţelor video 

Cuprins 

1.Introducere ............................................................................................................................................ 4 

2.Filtrarea adaptivă și inteligentă a zgomotului din imagini color ........................................................... 6 

2.1. Privire generală asupra filtrării zgomotului din imagini color ..................................................... 6 

2.2. Algoritm de filtrare mediană color cu sisteme de inferență fuzzy în spațiul HSV ....................... 7 

2.3. Algoritm nou de filtrare mediană color bazat pe o cascadă adaptivă de sisteme de inferenţă 

fuzzy .................................................................................................................................................... 11 

3.Soluții inteligente pentru detecția defectelor mici (de tip praf, zgârieturi) din imagini monocrome 

și color .................................................................................................................................................... 16 

3.1. Problematica detecției defectelor mici. Privire generală. ........................................................... 16 

3.2. Algoritm de detecție a defectelor mici bazat pe mașini cu vectori suport .................................. 16 

3.3. Algoritm fuzzy de detecţie defectelor de dimensiuni mici ......................................................... 20 

4.Corecția defectelor mari din imagini color – tehnici de tip inpainting (prin algoritmi de umplere 

bazați pe exemple) .................................................................................................................................. 24 

4.1. Tehnicile de tip inpainting. Privire generală. ............................................................................. 25 

4.2. Algoritmul de umplere a spaţiilor din imaginile color bazat pe regiuni exemplu ...................... 25 

4.3. Algoritm fuzzy de umplere a regiunilor lipsă din imagini bazat pe regiuni-exemplu ................ 27 

4.4. Un nou algoritm de umplere a spaţiilor bazat pe regiuni-exemplu din zone sursă multiple ..... 34 

5. Aplicații ale metodelor de detecție și corecție a defectelor în imagini de patrimoniu cultural și 

arhive digitale ......................................................................................................................................... 38 

5.1. Problematica imaginilor de partimoniu cultural și arhive digitale. Privire generală. ................. 38 

5.2. Aplicații ale metodelor de detecție a defectelor de tip linii subţiri, praf, puncte izolate ............ 38 

5.3. Aplicația de corecție a defectelor de tip zone lipsă/degradate de dimensiuni mari .................... 41 

6.Contribuții personale și concluzii ........................................................................................................ 44 

3


1.Introducere 

4 

Scopul tezei. Problematica abordată. 

Tematica abordată în cadrul cercetării doctorale este cea a prelucrării imaginilor 

digitale în vederea restaurării, corecției și îmbunătățirii acestora. 

Restaurarea, corecţia şi îmbunătăţirea imaginilor şi secvenţelor video cuprinde atât 

metode clasice din domeniul prelucrărilor de imagini (care deja sunt consacrate de multă 

vreme în domeniu), cât şi metode noi, cum ar fi tehnicile de inpainting (completarea 

datelor-lipsă din imagini digitale) (ale căror începuturi semnificative se raportează din 

perioada 2000) şi tehnicile dedicate secvenţelor video care utilizează şi informaţia spaţială 

în restaurare şi corecţie. 

Ceea ce este cu precădere de noutate şi importanţă pentru domeniul abordat, 

explicând şi interesul crescut la nivelul cercetărilor actuale în domeniu, este cererea din 

sfera aplicaţiilor pentru această categorie de tehnici din domeniul prelucrărilor de imagini 

şi video, dintr-o gamă largă de domenii: prezervarea patrimoniului cultural în format 

digital; crearea arhivelor digitale de film şi fotografice; prelucrări cerute de cinematografia 

digitală; transmisia eficientă şi prelucrarea conţinutului multimedia; compresia şi 

codarea/decodarea eficientă a conţinutului video; supravegherea video în condiţiile 

protejării intimităţii personale; reconstrucţia obiectelor ascunse, atunci când sunt parţial 

acoperite de către alte obiecte, cu aplicaţii în reconstrucţia 3D a obiectelor, pentru diverse 

domenii – industriale, medicale. 

O alta direcţie recentă de interes în domeniu o reprezintă posibilitatea şi 

oportunitatea includerii de algoritmi de restaurare, corecţie şi îmbunătăţire a imaginilor 

statice în camere foto; acest tip de cerinţe venite de pe piaţa producătorilor de aparate foto 

necesită, din partea cercetătorilor în domeniu, elaborarea de noi algoritmi implementabili 

pe sisteme miniaturizate, cu capacitate de prelucrare limitată, care să ruleze în timp real, pe 

sisteme de achiziţie cu performanţe moderate. 

Din punct de vedere teoretic, cele mai importante aspecte vizează cercetarea şi 

dezvoltarea unor algoritmi şi metode de restaurare, corecţie şi îmbunătăţire a imaginilor şi 

secvenţelor video adaptabili claselor de aplicaţii, care să ofere o calitate perceptuală a 

imaginii/secvenţei rezultate superioară algoritmilor existenţi, cu eliminarea artefactelor, 

fără a creşte sensibil complexitatea de calcul. În acest context, sunt de remarcat tehnicile 

bazate pe inteligenţă artificială şi soft computing, utilizarea informaţiei temporale şi 

fuziunea mai multor modalităţi de achiziţie a imaginilor. 

Problemele care pot apărea în imaginile digitale color sunt: 

distorsiuni geometrice, 

distorsiuni ale culorii, 

alterare prin zgomot, 

zone lipsă, 

obiecte nedorite, 

obturare parțială a unor porțiuni din scenă. 

Specificul/dificultatea suplimentară apărută la restaurarea, îmbunătățirea și corecția 

imaginilor o prezintă nevoia de a prelucra imagini color. Defectele afectează toate 

componentele de culoare, iar pentru eliminarea defectului trebuie prelucrate fiecare din 

aceste componente din spațiul de culoare.


Dintre acestea, teza tratează doar trei categorii de defecte: 

zgomot în impulsuri (color) 

defecte mici (de tip zgomot, praf, zgârieturi, crăpături) 

zone lipsă de dimensiuni mari 

care reprezintă defecte majore posibile să apară atât la achiziția și transmitere/redarea 

imaginilor și secvențelor video în format digital cât și în scena fizică în cazul filmelor, 

fotografiilor, obiectelor de patrimoniu cultural. 

Algoritmii propuși în cadrul lucrării sunt adecvați ambelor tipuri de situații, după 

cum se exemplifică prin aplicațiile prezentate. 

Elaborarea de algoritmi automaţi de filtrare a zgomotului şi algoritmi automaţi de 

identificare a zonelor nedorite în imagini digitale şi interpolarea acestor informaţii în 

regiuni spaţiale cu cea mai mare probabilitate, în contextul adaptării lor pentru diferite 

aplicaţii cum sunt cele menţionate mai sus, este o problematică actuală – aşa cum arată 

literatura de specialitate, dar şi proiectele de cercetare şi temele de doctorat propuse în 

diferite colective de prestigiu la nivel internaţional. Subiectul prezintă interes atât din 

punctul de vedere al cercetării fundamentale, cât şi aplicative, încadrându-se în cadrul 

prelucrării de imagini ce aparţine domeniului inginerie electronică şi telecomunicaţii. 

Lucrarea își propune prezentarea contribuțiilor personale în domeniile menționate. 

Aceste contribuții constau în elaborarea teoretică de noi algoritmi, noi aplicații și noi 

sisteme bazate pe fundamente matematice existente și extinderi ale unor algoritmi 

existenți. 

Contribuțiile prezentate în teză sunt raportate la stadiul actual din literatura de 

specialitate în domeniu, explicate teoretic și verificate experimental. În plus ele sunt 

validate printr-un număr de 5 lucrări științifice în reviste și volume ale conferințelor. 

5


2.Filtrarea adaptivă și inteligentă a zgomotului din 

imagini color 

2.1. Privire generală asupra filtrării zgomotului din imagini color 

În imaginile achiziționate sau recepționate poate apărea zgomot din diferite motive. 

Zogmotul degradează perceperea imaginii, motiv pentru care se doreşte înlăturarea 

acestuia. În general, calitatea imaginii prelucrate depinde mult de algoritmul de eliminare 

a zgomotului utilizat. Există un număr foarte mare de tehnici de eliminare a zgomotului 

bine cunoscute pentru imagini pe nivele de gri, însă adaptarea acestor tehnici pentru cazul 

imaginilor color şi obţinerea unor algoritmi performanţi calitativ nu este o sarcină foarte 

uşoară. Dacă problema eliminării zgomotului este în general mai uşor de soluţionat în 

imagini pe nivele de gri, unde este prezentă doar componenta de luminanţă, în imaginile 

color lucrurile se complică datorită necesităţii analizei simultane a mai multor componente 

care descriu culoarea. Uneori pentru aceasta este suficient de eficientă folosirea spaţiului 

RGB (spaţiul natural de reprezentare a culorii); alteori prelucrarea trebuie făcută în spaţii 

perceptual uniforme (cum ar fi spaţiile HLS sau HSV, care descriu culoarea prin nuanţa, 

saturaţia şi luminozitatea sa). 

6 

2.1.1. Filtrarea spaţială a zgomotului în imagini color prin tehnici mediene 

În general, zgomotul nu poate fi complet eliminat fără pierderea unor informaţii de 

detaliu din imagine, iar tendinţa algoritmilor de filtrare a zgomotului este de a furniza 

aparatul matematic adecvat înlăturării zgomotului sau reducerii sale sub limita de 

vizibilitate, în condiţiile păstrării detaliilor utile din imaginea prelucrată (sau deteriorării 

imperceptibile vizual a acestora). Una dintre abordările recente este bazată pe analiza 

imaginii preliminar filtrării, pentru a identifica pixelii de zgomot – definiţi intuitiv (cel 

puţin în cazul zgomotului în impulsuri din imagini pe nivele de gri) ca fiind pixelii 

nejustificat de „întunecoşi” sau „luminoşi”, în contextul spaţial local al imaginii. 

2.1.1.1. Filtrarea mediană în imagini color 

Extinderea conceptului filtrării mediane spaţiale în prelucrarea de imagini color nu 

este o procedură foarte simplă. Una din dificultăţile esenţiale în definirea medianei într-un 

set de valori ale vectorilor este lipsa unui concept „natural” de ordonare a vectorilor în 

cauză. O simplă generalizare a filtrării mediane la cazul imaginilor color prin ordonarea 

independentă a componentelor de culoare R, G şi B (respectiv prin aplicarea independentă 

a câte unui filtru median pe fiecare componentă primară de culoare) nu conduce la 

rezultate satisfăcătoare, deoarece, chiar dacă zgomotul afectează independent 

componentele de culoare, cele trei componente sunt puternic corelate, ca urmare nu pot fi 

prelucrate independent. Problema principală este generarea unor noi culori, neprezente în 

scena originală, în special în acele regiuni din imagine care nu au fost afectate de zgomot – 

problemă ilustrată în următorul exemplu. 

Fie trei pixeli color în spaţiul color RGB, definiţi prin trei vectori de culoare 

p1=(10,40,50) T , p2=(80,50,10) T , şi p3=(50,100,150) T . Dacă filtrul median este aplicat 

separat pe fiecare componentă a vectorului, vectorul rezultat este p’=(50,50,50) T . Acest 

vector nu există în datele de intrare şi reprezintă un pixel gri, care va modifica semnificativ


imaginea chiar dacă ea nu era iniţial afectată de zgomot. Din acest exemplu se observă că 

este posibil să apară distorsionarea culorilor imaginii la aplicarea separată a filtrului 

median pe fiecare componentă de culoare. Dacă totuşi se doreşte aplicarea separată a 

filtrului asupra componentelor scalare de culoare, atunci este bine să se utilizeze un spaţiu 

de culoare în care componentele să fie decorelate şi este necesară aplicarea secvenţială a 

filtrării mediane pe componente, fiind în prealabil stabilită o ordine în care vor fi 

comparate componentele. 

2.1.2. Filtrarea mediană bazată pe tehnici fuzzy 

În contextul filtrării imaginilor color pentru a înlătura zgomotul în impulsuri, un 

număr semnificativ de algoritmi folosesc tehnici fuzzy (cei mai mulți dintre acestia - 

mulţimi fuzzy şi reguli fuzzy, dar, de asemenea, unii dintre aceștia - sisteme cu logica 

fuzzy) şi acestea dovedesc o performanţă mai bună decât tehnicile tranşante (acest lucru, 

probabil se explică prin flexibilitatea de prelucrare - specifică matematicii fuzzy). Astfel, în 

[Andreadis2003] şi [Andreadis2005], autorii propun un algoritm de filtrare bazat pe o 

ordonare fuzzy a culorilor, decisă de un sistem cu logică fuzzy Mamdani, a cărui ieşire este 

cea mai plauzibilă „valoare a planului de ordonare” (OPV- ordering plane value) a culorii 

de intrare. Pentru acest algoritm de filtrare există şi o versiune ponderată. 

În ciuda unei mari varietăţi de metode fuzzy de filtrare color, puţine dintre ele se 

referă în mod explicit la particularităţile de filtrare a zgomotului color în impulsuri, spre 

deosebire de cazuri mai simple de zgomot în impulsuri monocrom. Deşi unele lucrări 

analizează performanţa de filtrare a zgomotului de culoare, ca şi 

[Morillas2006],[Schulte2007], cele mai multe dintre ele se limitează la zgomot de tip sare 

si piper. Experimentele efectuate arată că zgomotul în impulsuri color este mai greu de 

eliminat şi aceasta este una dintre motivaţiile noilor sisteme propuse. 

2.2. Algoritm de filtrare mediană color cu sisteme de inferență 

fuzzy în spațiul HSV 

În ceea ce urmează este prezentat un nou algoritm de filtrare color bazat pe logica 

fuzzy, conceput pentru spaţiul de culoare HSV, sub forma unei cascade de trei sisteme cu 

logică fuzzy, fiecare lucrând separat pe o componentă de culoare. Având în vedere 

configuraţia de cascadă şi utilizarea relaţiilor de ordonare fuzzy, performanţa filtrului 

propus privind filtrarea zgomotului color este superioară altor abordări fuzzy, după cum 

arată rezultatele experimentale. Contribuţia principală a algoritmului propus în 

[Suteu2009] este reducerea zgomotului color de tip impuls în imagini color utilizând o 

cascadă simplă de trei sisteme cu logică fuzzy 

2.2.1. Sistemul de inferenţă fuzzy pentru ordonarea componentelor culorilor 

Cel mai obişnuit mod de a reprezenta valoarea unui pixel dintr-o imagine color este 

prin componentele sale RGB. Acest tip de reprezentare nu este unul convenabil, deoarece 

componentele RGB sunt corelate. Spaţiul de culoare HSV a fost ales deoarece 

componentele sale sunt direct corelate cu percepţia umană de culoare. Hue (h) reprezintă 

lungimea de undă dominantă, (s) se referă la puritatea culorii şi valoarea (v) este o măsură 

a poziţiei culorii de-a lungul axei luminos-întunecat. Valorile h sunt de la 0 la 360, 

h [ 

0, 

360) 

. Valorile s şi v variază de la 0 la 1, s [ 

0, 

1] 

, v [ 

0, 

1] 

. 

7


În [Koschan2001] autorii propun o schemă de ordonare a culorilor în spaţiul de 

culoare HSV. Pornind de la această propunere am considerat că potrivit percepţiei ochiului 

uman, o posibilitate de reducere a zgomotului color este prin aplicarea de filtre separat, mai 

întâi pe cea mai importantă componentă perceptuală de culoare, apoi pe a doua 

componentă ca importanţă şi ultima dată pe componenta de culoare cea mai puţin 

importantă perceptual, prin urmare, producând o cascadă de filtre. Această logică este de 

asemenea folosită în algoritmul descris din [Koschan2001], dar, probabil pentru că filtrul 

prezentat în acea lucrare este dedicat filtrării zgomotului alb-negru, componenta de valoare 

v este considerată a fi cea mai semnificativă componentă în filtrare. Acest lucru nu este 

însă valabil în cazul zgomotului color, unde importanţa din punct de vedere perceptual a 

fiecărei componente pentru viziunea umană trebuie să fie luată în considerare. În acest 

sens, componenta cea mai importantă perceptual pentru vizualizarea culorii în spaţiul HSV 

este nuanţa; următoarea ca importanţă este saturaţia (puritatea), iar cea mai puţin 

importantă este valoarea. Prin urmare, în cazul algoritmului propus, am avut în vedere 

definirea relaţiilor fuzzy de ordonare care urmează să fie aplicate mai întâi pe nuanţă h, în 

al doilea rând pe saturaţie s şi doar ultima dată pe valoare v. Aceasta îmbunătăţeşte 

aspectul vizual al imaginii filtrate. 

Fiecare relaţie fuzzy de ordonare este implementată sub forma unui singur sistem 

fuzzy cu o intrare - o ieşire Takagi-Sugeno, fiecare sistem fuzzy având exact aceeaşi 

structură, permiţând astfel o proiectare unitară. Sistemele fuzzy sunt implementate cu 

relaţii de ordonare între două culori pe o anumită componentă a culorii. Variabila de intrare 

a fiecărui sistem este diferenţa dintre cele două valori ale acelei componente a celor două 

culori. Domeniul de valori al diferenţelor este descris în sistemul fuzzy de trei valori 

lingvistice (reprezentate prin trei mulţimi fuzzy): NEGATIV, ZERO şi POZITIV. 

Ieşirea fiecărui sistem fuzzy este un indicator al plauzibilităţii că cele două culori sunt 

ordonate crescător. Pentru că sistemele fuzzy utilizate sunt sisteme Takagi-Sugeno, valorile 

de ieşire sunt constante numerice, care în algoritmul propus, au valorile posibile {-1, 0, 1}. 

Valoarea +1 este un indicator că prima culoare considerată este „aproximativ mai mare 

decât” cea de-a doua culoare; valoarea -1 este un indicator că prima culoare considerată 

este „aproximativ mai mică decât” cea de-a doua culoare; valoarea de 0 indică faptul că 

două culori sunt "aproximativ egale". 

8 

Să notăm oricare din cele trei componente de culoare cu cc, cc h, s, 

v 

. Fie ci şi ck 

două culori şi cci, cck - componente de culoare. Variaţia unei componente de culoare între 

cele două culori ci şi ck este notată prin dccik = cci-cck . Fie oik ieşirea sistemului fuzzy 

o 1; 

1. 

Regulile fuzzy folosite sunt descrise în cele ce urmează. 

ik 

NEGATIV 

-1 

dccik 

1 

ZERO POZITIV 

h/s/vNEGATIV 0 h/s/vPOZITIV 1 

3 

Fuzzificare 

Intrare 

fuzzificata 

Baza de reguli fuzzy: 

R1: Daca dccik este NEGATIV at oik =- 1 

R2: Daca dccik este ZERO at oik = 0 

R3: Daca dccik este POZITIV, at oik = +1 

3 

Takagi-Sugeno 

Inferenta fuzzy 

Figura 2.1 Sistem cu logica fuzzy diagrama bloc. 

1 

-1 0 +1 

3 

Valoarea de iesire, oik


Fiecare dintre cele trei sisteme fuzzy folosite pentru a ordona o componentă anume 

(h,s,v) utilizează trei reguli, definite după cum urmează: 

a) baza de reguli fuzzy pentru ordonarea componentelor de nuanţă şi valoare: 

R1: Dacă dccik este NEGATIV atunci oik = - 1 

R2: Dacă dccik este ZERO atunci oik = 0 

R3: Dacă dccik este POZITIV atunci oik = +1 

unde cc { h, 

v} 

. 

b) baza de reguli fuzzy pentru ordonarea componentei saturaţie: 

R1: Dacă dccik este NEGATIV atunci oik = + 1 

R2: Dacă dccik este ZERO atunci oik = 0 

R3: Dacă dccik este POZITIV atunci oik = - 1 

pentru cc = s. 

Sistemul de inferenţă Takagi-Sugeno furnizează ieşirea sistemului cu logică fuzzy 

conform ecuaţiei: 

dccik 1 ZEROdcc 

ik 0 POZITIV 

dccik 

1 

dcc ZEROdcc 

POZITIV 

dcc 

NEGATIV 

oik 

. (2.1) 

NEGATIV ik 

ik 

ik 

unde NEGATIV(dccik) este gradul de apartenenţă a valorii dccik a mulţimii fuzzy 

NEGATIV, ZERO(dccik) este gradul de apartenenţă a valorii dccik a mulţimii fuzzy ZERO, 

şi POZITIV(dccik) este gradul de apartenenţă a valorii dccik a mulţimii fuzzy POZITIV. 

NEGATIV 1 ZERO POZITIV 

-1 

Gradul de 

apartenenta 

h/s/vNEGATIV h/s/vPOZITIV 0 

1 

Figura 2.2. Mulţimi fuzzy pentru valori de intrare ale hue/saturation/value. 

2.2.2. Arhitectura cascadei pentru filtrare color în spaţiul HSV 

Spre deosebire de lucrări similare, ca şi cele din [Koschan2001] şi [Andreadis2004], 

unde filtrarea mediană se realizează într-un singur pas (culorile pixelilor dintr-o fereastră 

dată sunt ordonate într-un singur pas, pe cele trei componente de culoare în spaţiul HSV), 

abordarea propusă aici poate fi văzută ca o cascadă de trei filtre mediane fuzzy aplicate pe 

imagini color afectate de zgomotul color. Deşi un uşor dezavantaj al acestei abordări este 

un oarecare efect de înceţoşare, eficienţa în înlăturarea zgomotului color este superioară 

algoritmilor similari menţionaţi anterior; perceptual, înceţoşarea nu este atât de 

supărătoare. 

9


10 

Schema bloc a algoritmului de filtrare în cascadă este prezentată în figura 2.3. 

Pe scurt, funcţionarea filtrului cascadat poate fi descrisă prin următoarele etape: în 

fiecare vecinătate de 3×3 pixeli din imagine: 

(1) Se sortează descrescător culorile de la cele cu cel mai mic h la cele cu cel mai 

mare h, folosind ieşirea oik a sistemului fuzzy având dhik la intrarea acestuia. 

Două culori ci şi ck sunt schimbate între ele în şir, în cazul în care oik


(d) (e) (f) 

Figura 2.4 (a) Imaginea originală: basalt; (b) zonă detaliu;(c) imaginea afectată de zgomot în 

impulsuri în proporţie de 20% ; (d) imaginea rezultat pentru filtrul propus cu o cascadă de filtre fuzzy 

;(e) imaginea rezultat pentru algoritmul propus în [Koschan2001] ; (f) imaginea rezultat pentru 

algoritmul fuzzy propus în [Andreadis2004] ; 

2.3. Algoritm nou de filtrare mediană color bazat pe o cascadă 

adaptivă de sisteme de inferenţă fuzzy 

Se prezintă un algoritm de filtrare [Cislariu2010] al cărui scop este reducerea 

zgomotului în impulsuri color în imagini color utilizând o cascadă adaptivă a trei sisteme 

cu logică fuzzy. Adaptarea se referă la configuraţia de cascadă: în zonele cromatice, o 

configuraţie de două sisteme fuzzy cascadate este suficientă pentru a elimina eficient 

zgomotul color (şi anume, pe componentele de nuanţă şi valoare în spaţiul de culoare 

HSV), în timp ce, în zonele preponderent acromatică (gri), trei filtre fuzzy sunt necesare, 

câte unul pe fiecare componentă de culoare (nuanţă, saturaţie şi valoare); în caz contrar 

pixelii de zgomot nu sunt eliminaţi în mod eficient în aceste regiuni. Trebuie să menţionăm 

că reducerea complexităţii cascadei de la de trei componente de filtrare (la fel ca în 

majoritatea metodelor existente), la numai două componente de filtrare, îmbunătăţeşte 

performanţa generală a filtrului cu privire la muchii în regiunile cromatice. Detalii cu 

privire la sistemul propus şi rezultatele experimentale care arată performanţele sale sunt 

prezentate în continuare. 

La fel ca si pentru algoritmul descris anterior cea mai potrivită reprezentare nu este în 

spaţiul RGB ci în spaţiul HSV. 

Fiecare relaţie fuzzy de ordonare este implementată sub forma unui sistem Takagi- 

Sugeno cu o intrare - o ieşire. Sistemele fuzzy implementate au exact aceeaşi structură, 

permiţând astfel un design unitar, aşa cum se arată în figura 2.1. Pentru fiecare sistem 

fuzzy variabila de intrare este diferenţă a două culori diferite din imagine pe aceeaşi 

componentă de culoare. La fel ca mai sus valorile diferenţelor sunt descrise în sistemul 

fuzzy de trei valori lingvistice: ZERO, NEGATIV şi POZITIV. 

Mulţimile de ieşire sunt formate din constante numerice care au fost stabilite ca {-1, 0, 

1}. Ieşirea fiecărui sistem fuzzy este un indicator al plauzibilităţii ca cele două culori să fie 

ordonate crescător. Valorile au aceleaşi semnificaţii ca mai sus. 

2.3.1. Arhitectura cascadei adaptive pentru filtrarea color în spaţiul HSV 

O modificare suplimentară a algoritmului de ordonare a culorilor iniţial, în afară de 

relaxarea relaţiilor de ordonare prin intermediul relaţiilor fuzzy, se referă la selectarea 

priorităţilor de ordonare a componentelor culorilor pentru filtrarea zgomotului. 

Filtrele în cascadă sunt aplicate în ordinea importanţei perceptuale a componentelor de 

culoare. Astfel considerăm aplicarea relaţiei de ordonare fuzzy întâi pe componenta de 

nuanţă h, apoi în al doilea rând pe componenta de saturaţie s, şi ultima dată pe componenta 

11


de valoare v. Acest mod de aplicare propus derivă din următoarele consideraţii cu privire la 

percepţia culorilor în regiunile cromatice („colorate”) şi regiunile acromatice („gri”): 

a) în regiunile locale de „gri” (acromatice) dintr-o imagine color afectată de zgomot 

color, componenta de saturaţie oferă un criteriu discriminativ în filtrare, din moment ce toţi 

pixelii din regiune, cu excepţia pixelului de zgomot au saturaţia aproape de zero; nuanţa h 

este la fel aproape de zero, dar acest lucru s-ar putea să nu fie suficient în filtrare, pentru că 

h=0 corespunde de asemenea pentru a culoarea roşie. Valoarea v de asemenea s-ar putea să 

nu fie de ajuns pentru a filtra zgomotul, cu excepţia zgomotului alb-negru. În acest caz, 

cele trei filtre (aplicate pe h, apoi pe s şi – în final – pe v) trebuie să fie aplicate în regiunile 

acromatice. 

b) în regiunile „colorate” (cromatice), într-o imagine color afectată de zgomot color, 

componentele de nuanţă şi valoare sunt cele care determină de obicei ca un pixel să fie 

perceput ca zgomot. În general nu luăm în seamă saturaţia pentru a „percepe” un pixel ca 

fiind un pixel de zgomot; de fapt, experimentele arată că, dacă un pixel de zgomot, cu 

nuanţă şi valoare similară cu pixelii din regiune dar cu o saturaţie diferită va rămâne 

nefiltrat, acest pixel va rămâne aproape nedetectabil pentru ochiul uman. Prin urmare, în 

acest caz, este suficient să se filtreze regiunile cromatice doar pe componentele de nuanţă 

si valoare, excluzând filtrul de saturaţie din cascadă. 

Pe scurt, cascada îşi poate adapta structura sa în funcţie de cromaticitatea regiunii 

curente din imagine, pe baza unei clasificări a cromaticităţii regiunii realizată în cadrul 

unei anumite vecinătăţi a pixelului curent. În cazul în care vecinătatea este dominant gri, 

atunci cascada va avea trei filtre; în cazul în care vecinătatea este color (cu o saturaţie 

suficient de diferită de zero), atunci cascada are nevoie doar de două filtre. 

12 

h1-h2 

Imaginea 

Intrare 

filtrul H 

Daca s 

este 

aproape 0 

s1-s2 

DA 

filtrul S 

NU 

v1-v2 

v1-v2 

Figura 2.5. Schema cascadei adaptive. 

filtrul V 

Imaginea 

Rezultat 

Pe scurt, funcţionarea cascadei de filtre poate fi descrisă prin următoarele etape, 

aplicate pe fiecare pixel din imagine: 

(1) Într-o vecinătate de 3×3 pixeli centrată în pixelul curent de prelucrat, se 

sortează descrescător culorile de la cele cu cel mai mic h la cele cu cel mai 

mare h, folosind ieşirea oik din sistemul de fuzzy având dhik la intrarea sa. 

Două culori ci şi ck sunt interschimbate în şir, în cazul în care oik


(2) Clasificarea pixelilor bazată pe cromaticitatea locală: Fie o fereastră de pixeli 

de mărime n×n, n>>3 – vecinătate locală a pixelului curent prelucrat. 

Cromaticitatea pixelului în conformitate cu această regiune locală este decisă 

astfel: în cazul în care cel puţin 90% din pixelii din această vecinătate au o 

saturaţie foarte mică (saturaţie „aproape de zero”) (percentila de 90% a 

saturaţiei s din regiunea de n 2 pixeli este mai mică decât un prag ajustat 

manual ts= 0.2), atunci pixelul este clasificat ca fiind într-o zonă de „gri” 

(acromatică). În caz contrar, pixelul se consideră a fi într-o zonă „colorată”. 

(3) În cazul în care pixelul este clasificat ca fiind într-o zonă de"gri" atunci filtrul 

aplică aceeaşi procedură ca în pasul (1) pe imaginea rezultată, după pasul (1), 

folosind de această dată de componenta de saturaţie, s, şi sistemul fuzzy 

corespunzător. În caz contrar, filtrul fuzzy pe saturaţie nu se aplică, şi se trece 

direct de la pasul (2) la pasul (4). 

(4) Se aplică aceeaşi procedură ca în pasul (1) pe imaginea rezultată obţinută fie 

de la pasul (3) (în cazul unui pixel clasificat ca fiind într-o regiune de „gri”), 

fie de la pasul (1) (în cazul unui pixel clasificat ca fiind într-o regiune 

„colorată”), utilizând componenta de valoare, v, şi sistemul fuzzy 

corespunzător 

2.3.2. Implementare şi rezultate experimenatale 

Filtrele propuse au fost implementate în Matlab, folosind Image Processing Toolbox şi 

funcţii ale Fuzzy Logic Toolbox. Pentru comparaţie, am implementat, de asemenea, 

abordările legate de filtrările prezentate în [Koschan2001] şi [Andreadis2004]. Pentru a 

testa performanţele filtrelor a fost ales un set de de imagini color standard; imaginile au 

fost deteriorate controlat cu nivele diferite de zgomot color în impulsuri, folosind o funcţie 

de generare de zgomot color în Matlab. Măsura cantitativă obiectivă utilizată pentru 

evaluarea performanţelor de filtrare este PSNR, definită pentru o imagine color. 

(a) (b) 

13


14 

(c) 

(d) 

(e) 

(f)


Figura. 2.6. (a) Imaginea originală „Peppers”; (b) zonă detaliu;(c) imaginea afectată de zgomot în 

impulsuri color 20%; (d) imaginea rezultată pentru algoritmul propus cu cascada adaptivă; (e) 

imaginea rezultată pentru algoritmul cu filtrarea cascadată; (f) imaginea rezultat pentru algoritmul 

tranşant propus în [Koschan2001]; (g) imaginea rezultat pentru algoritmul fuzzy propus în 

[Andreadis2004]. 

Tabel 2.2. Rezultate comparative în PSNR pentru diferite nivele de zgomot de tip impuls pentru 

următorii algoritmi: HSVmf – filtrul median în spațiul HSV [Koschan2001]; Fcmf – filtrul median 

color fuzzy [Andreadis2004]; HSVc – cascada de filtre în spațiul HSV [Suteu2009]; HSVac – 

cascada adaptivă în spațiul HSV [Cislariu2010]. 

Imagine 

Basalt 

Peppers 

Baboon 

Nivel de zgomot PSNR 

(g) 

Tipul 3% 5% 10% 15% 20% 

Zgomot 18.34 17.38 14.34 12.19 11.03 

HSVmf 28.86 27.10 23.46 20.23 18.56 

Fcmf 31.31 30.37 23.53 22.03 19.13 

HSVc 31.95 32.01 29.06 28.91 30.04 

HSVac 32.64 31.64 29.93 29.49 28.98 

Zgomot 21.01 18.64 15.81 13.73 12.56 

HSVmf 26.80 25.11 22.23 19.46 16.92 

Fcmf 26.48 25.64 22.76 19.68 16.96 

HSVc 28.95 28.57 27.26 23.03 17.84 

HSVac 29.69 28.57 27.31 24.46 20.49 

Zgomot 20.62 18.43 15.33 13.59 12.38 

HSVmf 24.86 22.94 19.99 17.93 15.96 

Fcmf 25.88 23.71 20.58 18.25 15.93 

HSVc 28.85 27.96 26.27 22.69 19.05 

HSVac 34.42 30.40 26.66 28.79 19.26 

15


3.Soluții inteligente pentru detecția defectelor mici (de 

tip praf, zgârieturi) din imagini monocrome și color 

Din diferite motive în imagini pot apărea defecte de dimensiuni mici (ca zgârieturi, 

crăpături, puncte de praf). Aceste defecte sunt deranjante si prin urmare se dorește 

înlăturarea lor din imagini. Pentru o înlăturare eficientă este necesar mai întâi detectarea 

defectului, apoi în punctele detectate se aplică un algoritm de corecție. Scopul detecției 

defectului este păstrarea detaliilor utile din imagine prin aplicarea unei metode de filtrare 

doar asupra pixelilor detectați ca fiind de defect. Principala dificultate a detecției este 

detectarea defectelor în timp ce detaliiledetaliile din imagine nu ar trebui detectate (în mod 

eronat) ca defect. Etapa de corecție presupune înlocuirea pixelilor detectați ca defect din 

imagine și în final să avem o imagine fără defecte vizibile. 

16 

3.1. Problematica detecției defectelor mici. Privire generală. 

3.1.1. Defecte mici de tip linii subţiri, praf, puncte izolate 

În general în literatura de specialitate defectele care pot apărea în imagini sunt 

clasificate în două categorii:categoria defectelor de dimensiuni mari și categoria defectelor 

de dimensiuni mici, iar aceste două categorii sunt tratate separat. Categoria defectelor mici 

cuprinde defecte ca zgârieturi, praf, fire de păr, fisuri care pot fi detectate automat. Acestea 

de obicei odată detectate sunt restaurate utilizând tehnici de umplere bazate fie pe ecuaţii 

cu derivate parţiale fie cu tehnici bazate pe filtrare, acestea din urmă dovedindu-se foarte 

eficiente deoarece efectul defectelor mici poate fi comparat cu efectul zgomotului în 

imagini. 

Praful, zgârieturile sau firele de păr de pe imaginile originale sunt artefacte care apar 

distinct pentru privitor. Aceste artefacte sunt inestetice şi înlăturarea lor prezintă un interes 

pentru cercetare. Există diverse abordări a eliminării defectelor de dimeniuni mici precum 

praf şi zgârieturi. O modalitate este în timpul achiziţiei, de exemplu, în timp ce are loc 

scanarea unui suport fotografic. O altă modalitate este corectarea defectului dintr-o 

imagine digitală prin diverse prelucrări. Pentru fiecare dintre acestea, există o soluţie 

adecvată, cu cerinţe de diferite şi nivele diferite de interacţiune ale utilizatorului. 

3.2. Algoritm de detecție a defectelor mici bazat pe mașini cu vectori 

suport 

3.2.1. Extragerea trăsăturilor pentru defecte de tip praf, zgârieturi, crăpături 

Pentru eliminarea zgomotului de dimensiuni mici care poate apărea în imagini 

digitale (ca de exemplu praf, zgârieturi, crăpături) am propus un algoritm de detecție a 

defectelor urmat de o metodă standard de eliminare a defectelor detectate (folosind filtrul 

vector median în spațiul de culoare RGB[Koschan2001]). Ca metodă de eliminare a 

defectelor detectate pot fi folosite și alte metode de filtrare a imaginilor color ca de 

exemplu metoda de filtrare propusă in capitolul 2, filtrul bazat pe o cascadă de sisteme de 

inferență fuzzy.[Cislariu2010]. În general o detecție precisă a zonei de defect este partea 

cea mai dificilă pentru o eliminare a defectului de dimensiuni mici pentru a păstra și micile 

detalii din imagine. Acesta este motivul pentru care se discută în acest capitol doar partea


de detecție. În soluția propusă am definit detecția defectului de dimensiuni mici ca o 

problemă de clasificare a pixelilor în două categorii: „defect” și „ne-defect”. Din acest 

motiv această detecție devine o problemă de clasificare binară și pentru a o rezolva am 

propus folosirea clasificatoarelor SVM (mașini cu vector suport)[Vapnik1998], luând în 

considerare performanțele remarcabile pe care le au în clsificarea texturilor, dar și 

abilitatea lor de a învăța și a generaliza cu un set de date de antrenare destul de redus. O 

trăsătură simplă și discriminativă a pixelilor ce aparțin unui defect de dimensiuni mici (ca 

praf, zgârieturi, crăpături) a pixelilor nedegradați din imagine este introdusă de Bergman 

ș.a.în [Bergman2007] care efectiv măsoară intensitatea și diferența de contrast local dintre 

imaginea originală și o versiune a imaginii fitrată cu filtrul median (numită și imagine cu 

detalii puține). 

Dintre configurațile clasificatoarelor SVM studiate am ales (bazându-ne pe 

performanța lor în etapa de antrenare și validarea setului măsurată din punct de vedere al 

acurateței și al validării) să folosim un SVM neliniar cu o funcție RBF 

Gaussian[Vapnik1998]. 

Extragerea trăsăturilor se face în următorul mod. Considerăm imaginea digitală 

reprezentată în spațiul de culoare RGB prin matricea intensităților celor trei componente de 

culoare I k [ H W 

], k R, 

G, 

B cu H și W fiind lungimea și lățimea în pixeli. Pe fiecare 

din cele trei componente de culoare se aplică un filtru median cu o fereastră spațială de 

M M , care în abordarea noastră a fost fixată la M=5 deoarece s-a dovedit a fi cea mai 

eficientă în testele efectuate. Am notat componentele de culoare filtrate median cu: 

I [ H W 

], k R, 

G, 

B . În fiecare locație spațială (i,j) din imaginea originală 

mf , k 

( i 0, 

1,..., 

H 1; 

j 0, 

1,..., 

W 1) 

, intensitatea corespunzătoare în componentele de culoare 

filtrate median R, G și B I i, j, 

k R, 

G, 

B este obținută ca valoarea mediană a șirului 

mf , k 

2 

ordonat a celor M intensități citite din fereastra spațială centrată în (i,j) pentru canalul k. 

Folosind matricile I [ W ] si I , [ H W 

], k R, 

G, 

B , sunt calculate două tipuri de 

k H mf k 

trăsături descriptive ale pixelului ce se găsește într-o zonă de defect de dimensiuni mici. 

Prima trăsătură este o simplă valoare absolută a diferențelor intensității (Idif,k) în 

locația spațială curentă (i,j) pentru fiecare componentă de culoare k, k=R,G,B : 

I 

j 

I i, j 

I i, j 

dif , k i, k 

mf , k 

i 

0, 

1,..., 

H 1, 

j 0, 

1,..., 

W 1, 

k R, 

G, 

B. 

, 

(3.1) 

Din moment ce componentele de culoare filtrate median au mai puține detalii de 

frecvență înaltă decât în imaginea originală, trăsăturile descrise de ecuația (3.1) va avea 

valori mai mari pentru pixelii ce se găsesc în zona defectului de dimensiuni mici ca pete, 

linii subțiri/crăpături și valori mai mici pentru pixelii nedegradați de defecte ce se găsesc în 

zone aproximativ uniforme. Valori mari pot apărea în jurul muchiilor și zonelor texturate și 

pentru aceasta o trăsătură în plus trebuie folosită pentru a putea distinge cele două zone. 

A doua tăsătură este diferența contrastului local calculat pentru componenta de 

culoare originală si filtrată, reprezentată de matricile C [ H W 

], k R, 

G, 

B și definită 

după cum urmează: 

dif , k 

17


18 

2 

( k ( i, 

j) 

 

mf , k ( i, 

j)) 

C dif , k i, j 

 

, k R, 

G, 

B, 

2 

2 

(3.2) 

( ( i, 

j)) 

( ( i, 

j)) 

C 

k 

mf , k 

unde k ( i, 

j) 

este deviația standard a intensităților componentei de culoare k (R,G sau B) 

dintr-o fereastră spațială de M M pixeli centrată în jurul locației curente (i,j), 

i 0, 1,..., 

H 1; 

j 0, 

1,..., 

W 1 

; ( i, 

j) 

este deviația standard a intensităților din 

mf , k 

versiunea filtrată median a componentei de culoare k, (R,G sau B) dintr-o fereastră spațială 

de M M pixeli centrată în jurul locației curente (i,j), i 0, 1,..., 

H 1; 

j 0, 

1,..., 

W 1 

;C 

este o constantă de valorare mică introdusă pentru a evita împărțirea la zero (o alegere 

simplă ar fi C=1). ( i, 

j) 

și ( i, 

j) 

sunt calculate după cum urmează: 

si 

k 

( i, 

j) 

 

k 

M / 2 

unde ( i, 

j) 

 

 

mf , k 

unde 

k 

( i, 

j) 

 

mf , k 

 

mf , k 

k 

p, 

q 

M / 2 

( i, 

j) 

 

I ( i p, 

j q) 

( i, 

j) 

 

M / 2 

 

I 

k 

p, 

q 

M / 2 

M 

2 

1 

( i p, 

j q) 

M 

2 

k 

2 

, k R, 

G, 

B, 

M / 2 

I mf , k ( i p, 

j q) 

mf 

, k ( i, 

j) 

 

p, 

q 

M 

/ 2 

M / 2 

 

I 

mf , k 

p, 

q 

M 

/ 2 

M 

1 

( i p, 

j q) 

M 

2 

2 

2 

, 

, k R, 

G, 

B. 

, 

(3.3) 

(3.4) 

Intensitatea și diferența de contrast local pentru fiecare componentă de culoare pot 

da rezultate mult mai bune dacă sunt analizate împreună pentru a deosebi pixelii aflați în 

zona defectului de dimensiuni mici de pixelii aflați în zone neafectate de defect; de 

asemenea folosit de [Bergman2007] am combinat cele două tipuri de trăsături într-un 

produs aritmetic pentru fiecare locație spațială (i,j) prin reprezentarea vectorială , 

3 

v 

sub forma: 

( 1) 

v 

( i, 

j) 

( 2) 

( k ) 

v ( i, 

j) 

v( 

i, 

j) 

, 

v( 

i, 

j) 

I dif , k i, j 

Cdif 

, k i, j, 

( 3) 

 

v( 

i, 

j) 

 

k 

R, 

G, 

B, 

i 0, 

1,..., 

H 1, 

j 0, 

1,..., 

W 1. 

( i, 

j) 

(3.5) 

Fiecare pixel din imagine este reprezentat în spațiul de trăsături definit de ecuația 

(3.5) și este o dată de intrare într-o funcție de decizie a unui clasificator SVM binar 

antrenat anterior cu o parte dintr-o imagine unde sunt prezente diferite tipuri de defecte de 

dimensiuni mici (pete, crăpături, zgârieturi) și sunt marcate manual printr-o imagine 

mască. Ca rezultat a fazei de clasificare obținem o hartă binară în care sunt identificate


locațiile pixelilor de defect. După obținerea acestei măști pentru corecție am aplicat 

clasicul filtru vector median color doar în locațiile marcate în mască și astfel obținând o 

restaurare bună a defectului fără a altera semnificativ detaliile din imaginea originală. 

3.2.2. Implementare și rezultate 

Algoritmul a fost implementat în C++Builder iar partea de antrenare și clasificare a 

fost făcută cu ajutorul programului SVM Light. Pentru partea de antrenare în SVM Light 

am folosit imagini afectatde de un defect binecunoscut care a fost marcat manual de către 

utilizator. Rezultatul clasificării este o imagine binară, o hartă a defectului ce va fi folosită 

în partea de corecție a imaginii. Pentru partea de corecție am implementat atât filtrul vector 

median prezentat în [Koschan2001] cât si filtrul prezentat în lucrarea [Bergman2007] 

O parte din rezultatele experimentale sunt ilustrate în figurile de mai jos. 

(a) (b) 

(c) (d) 

Figura 3.1: FAR 10% FRR 18% (a)Imaginea originală; (b)Masca pixelilor clasificați ca defect; 

(c)Rezultatul corecției pixelilor detectați ca fiind defect folosind filtrul vector median. (d)Rezultatul 

corecției pixelilor detectați ca fiind defect folosind filtrul propus in [Bergman2007] 

(a) (b) 

19


20 

(c) (d) 

Figura 3.2: FAR 1.64 FRR 0.15 (a)Imaginea originală; (b)Masca pixelilor clasificați ca defect; 

(c)Rezultatul corecției pixelilor detectați ca fiind defect folosind filtrul vector median. (d)Rezultatul 

corecției pixelilor detectați ca fiind defect folosind filtrul propus in [Bergman2007].. 

(a) (b) 

(c) (d) 

Figura 3.3 (a)Imaginea originală; (b)Masca pixelilor clasificați ca defect; (c)Rezultatul corecției 

pixelilor detectați ca fiind defect folosind filtrul vector median. (d)Rezultatul corecției pixelilor 

detectați ca fiind defect folosind filtrul propus in [Bergman2007]. 

3.3. Algoritm fuzzy de detecţie defectelor de dimensiuni mici 

În ceea ce urmează voi prezenta o nouă metodă propusă pentru detectarea 

defectelor mici, care foloseşte doi algoritmi „fuzzy c-means” modificaţi de clasificare 

pentru detectarea pixelilor care aparţin zonei de defect. Abordarea se dovedeşte a fi una cu 

o performanţă bună de detectare a defectelor. Acest algoritm a fost conceput pentru 

detecția zgomotului, dar el se pretează la fel de bine și pentru detecția defectelor de 

dimensiuni mici. 

3.3.1. Principiul algoritmului 

Fie X[H×W] intensitatea imaginii. Fiecare pixel dintr-o locaţie spaţială (i,j) fiind în 

acest caz, o valoare scalară x(i,j)∈ℛ. În cazul în care setul valorilor intensităţii este {x(i,j)| 

i=1,...,H, j=1,...,W} se aplică un algoritm fuzzy c-means modificat de clasificare 

[Koschan2001], pe baza distanţei euclidiene dintre intensitatea valorilor pixelilor X (fără a 

lua în seamă distribuţia spaţială a valorilor intensităţii în imagine), se obţine la sfârşitul 

iteraţiilor algoritmului fuzzy c-means, matricea partiţiei optime fuzzy U[C×HW], arătând


gradele de apartenenţă fuzzy ale membrilor fiecărei date x(i,j) la clasa C, şi prototipurile C 

a claselor vk (valorile intensităţilor, obţinute ca centrele de greutate a claselor 

corespunzătoare fuzzy), k =1,...,C. Pentru o descriere mai uşoară a algoritmului de rejecţie 

a pixelilor de zgomot bazat pe algoritmul fuzzy c-means modificat (aici referit ca NR- 

MFCM), luăm în considerare o reprezentare alternativă a gradelor de apartenenţă ale 

pixelilor X la clasele fuzzy C, sub forma unei matrici 3D, matricea ̃ , cu 

̃ gradul de apartenenţă a pixelului x(i,j) la clasa k, k=1,2,...,C. Uk[H×W] este 

"planul al k-lea" a matricei ̃, format din gradele de apartenenţă al pixelilor X la clasa k. 

Valorile optime ale gradelor de apartenenţă şi prototipurile fuzzy sunt găsite prin reducerea 

la minimum a funcţiei cost: 

̃ ∑ ∑ ∑ ̃ 

unde m este un parametru ce controlează forma grupării rezultate, convergenţa problemei 

de optimizare este garantată pentru m>1. d este o măsură distanţă între x(i,j) şi vk - de 

obicei, distanţa euclidiană. Reducerea la minimum a lui Jm este rezolvată iterativ, pornind 

de la o partiţie fuzzy iniţială matricea U 0 sau un set iniţial de centre de ale grupului v 0 k, 

fiind actualizată în fiecare iteraţie t (până la convergenţă) cu următoarele expresii: 

̃ (∑ ( 

∑ ∑ ̃ 

∑ ∑ ̃ 

) 

De obicei, într-o imagine fără defecte şi zgomot X, intensităţile x(i,j) nu se vor schimba 

brusc în vecinătăţi mici spaţiale şi, prin urmare, de asemenea, gradele de apartenenţă 

corespunzătoare vor fi similare în aceste vecinătăţi. Cu toate acestea, atunci când un pixel 

atipic (de exemplu, cu o intensitate mult mai diferit decât vecinii săi) apare în imagine, 

acest pixel va avea (cel puţin la una dintre clasele fuzzy k) un grad de apartenenţă mult mai 

diferit decât vecinii săi la această clasă. 

Fie w(i,j) [3×3] o fereastră spaţială centrată pe locaţia (i,j), peste un plan al gradelor de 

apartenenţă fuzzy la clasa k, Uk[H×W], şi A[3×3] - o matrice cu elementele ponderi 

pozitive, { } ∑ ∑ 

cu 

cel puţin două elemente nenule. Apoi ̅ 

este numit gradul de apartenenţă a pixelului x(i,j) la clasa k după cel de al t-lea 

pas de iteraţie şi se calculează după cum urmează: 

̅ ∑ ∑ ̃ 

Aceste grade de apartenenţă mediate sunt folosite pentru re-actualizarea gradelor de 

apartenenţă ̃ şi valorile prototipurilor vk în fiecare iteraţie în algoritmul de rejecţie a 

pixelilor de zgomot bazat pe algoritmul fuzzy c-means modificat. Aceasta poate fi 

exprimată prin următorii paşi. 

) 

(3.6) 

(3.7) 

(3.8) 

(3.9) 

21


Pasul 1. Iniţializare. Se definesc: m, C, măsura distanţă d, se fixează eroarea de 

convergenţă ε. Se selectează un exponent pentru a controla influenţa din medie în 

actualizarea gradelor de apartenenţă, n> 1. Se generează o matrice iniţială, partiţie fuzzy 

̃ . Se calculează valorile iniţiale ale prototipurilor vk în conformitate cu 

ecuaţiile 3.3 şi 3.4. Se setează pasul t=0. 

Pasul 2. Se trece la t=t+1. Se actualizează gradele de apartenenţă ̃ şi 

prototipurile în funcţie de ecuaţiile 3.3 şi 3.4. 

Pasul 3. Se calculează gradele de apartenenţă medii. Conform ecuaţiei 3.5, actualizarea 

gradelor de apartenenţă(propuse în [Wang2008]) 

22 

̂ 

̃ ̅ 

∑ ̃ ̅ 

(3.10) 

i=1,2,...,H; j =1,2,...,W; k=1,2,...,C, şi se copiază aceste valori în matricea cu valorile 

vechi ale gradelor de apartenenţă ̃ ̂ , i=1,2,...,H; j =1,2,...,W; 

k=1,2,...,C. Se actualizează în conformitate cu ecuaţiile 3.3 şi 3.4. 

Pasul 4. Dacă | ̃ ̃ | convergenţa a fost atinsă şi 

algoritmul se opreşte. Altfel se trece la pasul 2. 

Cu cât diferenţa de intensitate a unui pixel x(i,j) este mai mare decât vecinii săi din 

w(i,j), şi cu cât timpul de convergenţă este mai lung cu atât mai mari sunt grade cumulative 

de apartenenţă pentru a schimba clasificarea pixelilor în conformitate cu schimbarea 

cumulativă a gradelor de apartenenţă (CMDCD) la clasele fuzzy C. Această observaţie este 

foarte potrivită pentru detectarea defectelor, dacă vom defini caracteristica schimbării 

gradelor de apartenenţă cumulative (CMDC) în timpul algoritmul de rejecţie a pixelilor de 

zgomot bazat pe algoritmul fuzzy c-means modificat pentru fiecare pixel x(i,j) prin: 

̃ 

∑ ∑ ̃ ̂ 

(3.11) 

şi comparăm aceasta valoare cu un prag statistic θ (de exemplu, o percentilă de valoare 

mare). Pixelii a căror ̃ sunt foarte probabil a fii pixeli de defect, în timp ce 

ceilalţi sunt susceptibili de a fi „curaţi”. Această strategie este adoptată în sistemul nostru 

de detectare a defectelor menţionate pe scurt de acronimul FCMDC (schimbă gradul 

cumulativ de apartenenţă fuzzy), explicat pentru o imagine color în ceea ce urmează. 

3.3.2. Algoritmul propus pentru schimbarea gradului cumulativ de 

apartenență fuzzy 

Să presupunem o imagine color care conţine defecte mici ca zgârieturi, fire de păr, 

praf. Scopul este de a obţine o imagine fără defecte, fără a modifica detaliile imaginilor, 

dar această sarcină este adesea una dificilă, deoarece atât defectele cât şi detalii fine din 

imagine introduc componente spaţiale de frecvenţă înaltă şi prin urmare, orice procedură 

de filtrare trece jos (liniară sau neliniară) este predispusă să afecteze într-un fel toate 

frecvenţele spaţiale înalte în imagine. Prin urmare, o soluţie mai bună este de a identifica


mai întâi locaţiile pixelilor care aparţin zonei de defect este de a aplica o filtrare numai în 

aceste locaţii. 

Algoritmul propus de detecţie a defectelor este următorul. Fiecare plan de culoare a 

imaginii, de exemplu, R[H×W], G[H×W] şi B[H×W], este reprezentat ca o imagine 

intensitate (notate generic cu X anterior). Pe fiecare dintre cele trei plane de culoare, 

independente, vom aplica două metode ale algoritmului de rejecţie a pixelilor de zgomot 

bazat pe algoritmul fuzzy c-means modificat, care diferă în coeficienţii de filtrare 

consideraţi: 

1. Primul este un simplu filtru median între toate valorile din vecinătatea centrată 

pe fiecare pixel (i,j) în planul de culoare w(i,j), adică cu filtrul cu coeficienţii 

a(p,q)=1/9, p,q∈{1,2,3}. Notăm rezultatele algoritmului de rejecţie a 

pixelilor de zgomot bazat pe algoritmul fuzzy c-means modificat care folosesc 

acest filtru cu NR-MFCM1 (în figura 3.4), şi caracteristicile care rezultă din 

schimbarea gradelor de apartenenţă cumulative calculate de NR-MFCM1 cu 

ecuaţia 3.7 din △R/G/BNR-MFCM1[W×H]. 

2. Cel de-al doilea calculează o medie a vecinilor pixelului centrat în (i,j) în 

planul de culoare, w(i,j), adică filtrul cu coeficienţii a(2,2)=0, şi (p,q)=1/8 

pentru alte valori ale lui p şi q. Notăm rezultatul algoritmului de rejecţie a 

pixelilor de zgomot bazat pe algoritmul fuzzy c-means modificat care foloseşte 

acest filtru cu NR-MFCM2 (în figura 3.4), şi NR-MFCM2 caracteristicile care 

rezultă calculate prin ecuaţia 3.7 cu △R/G/BNR-MFCM2 [H×W]. 

NR-MFCM1 NR-MFCM2 

max 

Imaginea de 

intrare(RGB) 

R G B 

Masca de 

detectie R 


max 

max 

Filtru selectiv 

Imagine 

rezultat 

Masca de 

detectie G 

Masca Globala 

Figura 3.4 Schema metodei propuse 

3.3.3. Implementare şi rezultate experimentale 


max 

Masca de 

detectie B 

Algoritmii au fost implementaţi în C++Builder. Un set standard de imagini color au 

fost alese pentru a testa performanta acestui algoritm. Unele rezultate experimentale se pot 

observa mai jos. 

23


24 

(a) (b) (c) 

(d) (e) (f) 

(g) (h) (i) 

Figura 3.5 (a)Imaginea cu defect de tip zgârietură; (b) masca totală a pixelilor detectaţi de defect; 

(c)imaginea rezultat după aplicarea corecţiei utilizând filtrarea propusă; (d)component de R(roşu) a 

imaginii; (e) componenta de G (verde) a imaginii ; (f) componenta de B (albastru) a imaginii; (g) masca 

pixelilor de defect detectaţi pe componenta de roşu; (h) masca pixelilor de defect detectaţi pe 

componenta de verde; (i) masca pixelilor de defect detectaţi pe componenta de albastru. 

4.Corecția defectelor mari din imagini color – tehnici de 

tip inpainting (prin algoritmi de umplere bazați pe 

exemple) 

Inpainting este tehnica prin care se modifică o imagine prin înlăturarea unei zone mari 

(un obiect sau o zonă de defect) înșocuind cu un fundal plauzibil. În acest capitol am 

abordat metodele de inpainting bazate pe exemple urmând metoda propusă de Criminisi. 

Această metodă folosește ferestre din imagine pentru a umple zona de defect. Am propus o 

generalizare a acestui algoritm de inpainting bazat pe exemple prin folosirea unei ferestre 

fuzzy. Această fereastră fuzzy se folosește în căutarea celei mai potrivite ferestre pentru 

umplere. Rezultatele experimentale arată că metoda propusă aduce o îmbunătățire în


comparație cu lte metode. De asemenea am propus și extinderea zonei de căutarea a celei 

mai potrivite ferestre prin folositea a mai multor imagini ca zonă sursă. 

4.1. Tehnicile de tip inpainting. Privire generală. 

Inpaintingul este metoda de a modifica o imagine în așa fel încât pentru un nou 

privitor noul rezultat pare a fi o imagine naturală. Aplicațiile algoritmilor de inpainting 

sunt foarte variate, de la înlocuirea unor obiecte din imagine până la restaurarea unor 

fotografii sau imagini ale obiectelor de artă (ca zone lipsă, pete pe fotografii vechi sau 

picturi). 

Termenul de „inpainting” este un termen preluat din domeniul artistic al cărui 

echivalent în prelucrarea imaginilor este interpolarea unor zone relativ mari din imagine. 

Problematica inpainting. Fie Ω o zonă de imagine, cel mai des întâlnit sub formă 

dreptunghiulară pe ecranul unui calculator sau mai general un dmeniu finit în R 2 . Anumiți 

factori, precum obturarea unor obiecte din câmpul vizual sau pierderea unor pachete în 

domeniul comunicațiilor wireless, duc la apariția unui subset G a lui Ω în care informația 

din imagine lipsește sau este deteriorată. Scopul algoritmului de inpainting este de a reface 

imaginea originală u pe întreg domeniul său Ω, bazându-se doar pe observarea parțială (de 

obicei distorsionată) u0|Ω\G. Deoarece majoritatea obiectelor nu sunt transparente, 

observatorul uman întâlnește deseori efectul obturării. Totuși vedem lumea ca perfect 

ordonată, cu obiecte întregi și nu ca părți separate din obiecte și peisaje cu bucăți mici 

independente unele de altele. Acesta este rezolvarea naturală la problematica inpaintigului. 

Cercetătorii în domenilu vizual și cognitiv cred că oamenii fără să fie conștienți de asta 

aplică mereu într-un mod inteligent regulile de interpolare. 

4.2. Algoritmul de umplere a spaţiilor din imaginile color bazat pe 

regiuni exemplu 

Esenţa algoritmului propus de Criminisi [Criminisi2003] este un proces de 

eşantionare a imagini. Este bine înţeles faptul că abordarea sintezei bazată pe exemple 

funcţionează bine pentru texturi bidimensionale. 

(a) (b) 

25


26 

(c) (d) 

Figura 4.1 Propagarea structuri în sinteza de textură bazată pe exemple. (a) Imaginea originală, cu 

regiunea ţintă Ω, conturul său δΩ, şi regiunea sursă Φ în mod clar marcate. (b) Dorim să sintetizăm 

zona delimitată de fereastra Ψp centrată pe punctul p 

. (c) găsirea celei mai probabile ferestre 

candidate ce se potriveşte pentru fereastra Ψp de-a lungul frontierei dintre cele două texturi în 

regiunea sursă, de exemplu, Ψq’ şi Ψq’’ . (d) Cea mai potrivită fereastră din setul de candidate a fost 

copiată în poziţia ocupată de Ψp, astfel făcându-se umplerea parţială a lui Ω. Se observă că atât textura 

cât şi structura au fost propagate în interiorul regiunii ţintă. Regiunea ţintă Ω s-a micşorat şi frontul 

δΩ şi-a schimbat forma. 

Având o fereastră Ψp centrată în punctul p pentru p 

(a se vedea fig.4.1), definim 

prioritatea P(p) ca un produs de cei doi termeni: 

P (p) C (p) D (p) 

(4.1) 

Prioritatea P(p) se calculează pentru fiecare fereastră de pe frontieră, cu ferestră 

distinctă pentru fiecare pixel de pe graniţa regiuni ţintă. 

Notăm C(p) termenul de încredere care reprezintă o măsură a credibilității în 

corectitudinea informației. C(p) se definește: 

C (p) 

unde | Ψp | este aria ferestrei Ψp. 

q p I 

( 

) 

 

p 

C( 

q) 

Funcţia C(p) este iniţializată (condiția la limită) la începutul algoritmului ca: C(p)=0, 

p 

şi C(p)=1 , p I . 

Termenul de încredere C(p), poate fi gândit ca o măsură a cantităţii de informaţie 

fiabile în jurul pixelului p 

(4.2) 

Numim D(p) termenul dependent de imagine este definit după cum urmează: 

p p 

 

n I 

 

 

D( 

p) 

 

unde α este un factor de normalizare (de exemplu, α = 255 tipic pentru imagini pe nivele de 

gri), np este un vector unitate ortogonal faţa de δΩ în punctul p şi ┴ denotă un operator 

ortogonal. 

(4.3)


Pe de altă parte, algoritmul prezentat propagă textura imaginii prin prelevare de probe 

directe din regiunea sursă. Vom căuta în regiunea sursă fereastra cea mai asemănătoare cu 

. 

 

p 

arg min d( 

, q 

) 

q q 

p 

unde distanţa d( a , b 

) între două ferestre generice a şi b este pur şi simplu definită 

ca suma pătratelor diferenţelor pixelilor deja existenţi în cele două ferestre. Pixelii sunt 

reprezentaţi în spaţiul de culoare RGB. 

După ce am găsit sursa din zona de origine 

p | p' 

 

p 

(4.4) 

, valoarea fiecărui pixel de umplut 

 

q 

' este copiat din poziţia corespunzătoare în interiorul . 

 

După ce ferestrele 

p 

încredere C(p) este actualizat în zona delimitată de 

p 

 

p 

au fost completate cu noile valori ale pixelilor, termenul de 

 

C ( p) 

C( 

p), 

p 

 

. 

p 

după cum urmează: 

4.3. Algoritm fuzzy de umplere a regiunilor lipsă din imagini bazat pe 

regiuni-exemplu 

În inpaintingul bazat pe exemple pentru sintetizarea de texturi pot apărea 

distorsiuni sau artefacte de propagare. Dacă fereastra de propagare a texturii este mai mare 

decât elementul structural texel se poate întâmpla ca în fereastra de propagare a texturii să 

apară la început mici distorsiuni care apoi să se propage ca textură. Astfel imaginea 

rezultată nu va fi una verosimilă ci va fi o imagine nenaturală în care se observă o 

denaturare a imaginii un artefact nenatural. Se observă falsificarea imaginii dat fiind faptul 

că rezultatul final nu este unul plauzibil pentru un nou privitor care nu a văzut imaginea 

înainte de aplicarea algoritmului. 


Acest algoritm va realiza o nouă imagine folosind algoritmi de tip inpainting care 

folosește o fereastră fuzzy pentru propagarea texturii. Avantajul ferestrei fuzzy ar fi luarea 

în considerare a unei regiuni spaţiale mai mari într-un grad subunitar ceea ce ar trebui să 

conducă la imagini mai „naturale” fiind o abordare compatibilă cu modul de percepţie 

uman al regiunilor spaţiale. În principiu abordarea fuzzy generalizează algoritmul tranşant 

de inpainting care poate fi privit ca o situaţie particulară rezultată din înlocuirea ferestrei 

fuzzy cu una tranşantă. 

(4.5) 

27


Figura 4.2 Propagarea structuri - sinteza de textură folosind o fereastra fuzzy. (a) Imaginea originală, 

cu regiunea ţintă Ω, conturul său δΩ, şi regiunea sursă Φ în mod clar marcate. (b) Dorim să sintetizăm 

zona delimitată de fereastra fuzzy Ψp centrată pe punctul p 

. (c) găsirea celei mai probabile 

ferestre fuzzy candidata ce se potriveşte pentru Ψp de-a lungul frontierei dintre cele două texturi în 

regiunea sursă, de exemplu, Ψq’ şi Ψq’’ . (d) Cea mai potrivită fereastră din setul de candidate a fost 

copiată în poziţia ocupată de Ψp, astfel făcându-se umplerea parţială a lui Ω. Se observă că atât 

textura cât şi structura au fost propagate în interiorul regiunii ţintă. Regiunea ţintă Ω s-a micşorat şi 

frontul δΩ şi-a schimbat forma. 

28 

4.3.2. Formularea algoritmului 

Dată fiind imaginea de intrare, utilizatorul alege o regiune-ţintă, Ω, pentru a fi 

eliminată şi mai apoi completată. Avem regiunea sursă, Φ, ce este întreaga imagine minus 

regiunea ţintă. 

Pasul următor este alegerea mărimii ferestrei şablon Ψ. În cazul algoritmului 

tranşant bazat pe exemple, fereastra ψ poate fi interpretată ca o mulţime tranşantă 

bidimensională, toţi pixelii din fereastră aparţinându-i cu gradul 1, iar pixelii din afara 

ferestrei „aparţinându-i” în grad 0. În cazul unei ferestre fuzzy ̃ , vor exista pixeli care-i 

aparţin în gradul 1, în gradul 0, dar şi în alte grade între 0 şi 1 (apartenenţa parţială). 

Fereastra fuzzy bidimensională, cu funcţii de apartenenţă ̃ ℛ , unde ℛ 

reprezintă o regiune spaţială finită din imagine. Alegerea dimensiunii ferestrei şablon fuzzy 

̃ presupune atât specificarea regiunii spaţiale prototip a ferestrei (regiune ℛp care satisface 

̃ ℛ ), cât şi specificarea regiunii spaţiale - suport a ferestrei(regiune ℛs care


satisface ̃ ℛ ). În algoritmul propus, forma funcţiei de apartenenţă ̃ este liniară pe 

porţiuni (fiind o generalizare bidimensională a unui trapez isoscel, adică, un trunchi de 

piramidă patrulateră regulată). În alegerea dimensiunii ferestrei se tine cont ca dimensiunea 

să fie mai mare decât cel mai mare element de textură ce se poate distinge. După alegerea 

acestor parametri algoritmul efectuează în mod automat următorii paşi. 

Pentru fiecare fereastră centrată pe frontul de umplere a zonei lipsă se calculează 

prioritatea. Apoi se caută fereastra care are prioritatea maximă. După ce se află care este 

fereastra cu prioritate maximă se caută care este cea mai asemănătoare fereastră cu aceasta 

şi apoi se copiază pixelii corespunzători în partea de fereastră cu pixelii fără informaţie. 

Apoi se reactualizează termenul de încredere pentru aceşti pixeli completaţi. 

Fie o fereastră fuzzy 

fereastră, prioritatea ̃ este definită ca: 

̃ centrată în punctul p pentru p 

. 

Pentru această 

C (p) D (p) 

~ ~ 

P (p) 

(4.6) 

Prioritatea ̃ se calculează pentru fiecare fereastră fuzzy centrată pe frontieră, cu 

ferestre fuzzy distincte pentru fiecare pixel de pe graniţa regiuni ţintă. 

Numim ̃ termenul fuzzy de încredere definit similar expresiei sale tranşante 

din subcapitolul 4.2, după cum urmează: 

C (p) ~ 

q S p I 

( 

~ ) ( 

) 

~ 

C( 

q) 

 

~ p ( q) 

~ 

 

p 

unde: ̃ reprezintă suportul mulţimii fuzzy ̃ (care este o mulţime tranşantă), ̃ 

este gradul de apartenenţă al pixelului q la mulţimea fuzzy bidimensională care descrie 

fereastra fuzzy | ̃ | este cardinalul mulţimii fuzzy ̃ , | ̃ | ∑ ̃ 

∈ℛ , cu ℛ 

̃ 

(4.7) 

Funcţia ̃ este iniţializată la început ca: ̃ =0, p 

şi ̃ =1 , p I . 

Termenul de încredere ̃ , poate fi gândit ca o măsură a cantităţii de informaţie 

fiabile în jurul pixelului p. Intenţia este de a completa prima dată acele ferestre care au cei 

mai mulţi dintre pixeli lor deja completaţi, cu preferinţa de completare dată de pixeli care 

au fost deja completaţi mai devreme (sau care nu au făcut parte din regiunea ţintă). 

Acest termen ̃ impune ordinea de completare concentrică dorită. Odată cu 

avansarea completării, pixeli din straturile exterioare a regiuni ţintă vor tinde să fie 

caracterizaţi prin valori mai mari de încredere şi prin urmare vor fi completaţi primii, iar 

pixeli din centrul regiunii ţintă vor avea valori de încredere mai mici. 

Termenul dependent de imagine D(p) este definit exact ca în cazul tranşant: 

p p 

 

n I 

 

 

D( 

p) 

 

unde α este un factor de normalizare (de exemplu, α = 255 tipic pentru imagini pe nivele de 

gri), np este un vector unitate ortogonal faţa de δΩ în punctul p şi ┴ denotă un operator 

29


ortogonal. Termenul D(p) este o funcţie de puterea liniilor izofote care ating frontul δΩ la 

fiecare iteraţie. Acest termen ridică prioritatea unei ferestre în care o izofotă „se loveşte”. 

Acest factor este de importanţă fundamentală în algoritmul nostru, deoarece încurajează 

structuri liniare de a fi mai întâi sintetizate şi apoi propagate în siguranţă în regiunea ţintă. 

Gradientul I p 

30 

se calculează ca valoarea maximă a gradientului imagini în S p I ) 

~ 

( . 

După ce se calculează toate priorităţile de pe frontul de umplere se găseşte fereastra 

~ . Apoi, se completează cu date extrase din 

fuzzy cu prioritate maximă notată cu p 

regiunea sursă Φ. Algoritmul propagă textura imagini prin prelevare de probe directe din 

regiunea sursă. Astfel vom căuta în regiunea sursă fereastra fuzzy cea mai asemănătoare cu 

~ . 

fereastra fuzzy 

p 

~ ~ 

arg min d ( 

, ) 

q 

~ f 

q 

q 

 

p 

. 

unde d f ( , 

) 

este distanţa între două ferestre fuzzy, definită după cum urmează. Fie a 

~ şi 

b 

~ sunt două ferestre fuzzy centrate în locaţiile spaţiale a şi respectiv b, descrise prin 

~ 

~ 

funcţiile lor de apartenenţă bidimensionale : [ 

0, 

1] 

: [ 

0, 

1 

(4.8) 

a Ra şi b R b ] cu 

ℛa=regiunea spaţială a lui a ~ şi ℛb=regiunea spaţială a lui b ~ 

. Fie xq=[Rq Gq Bq] T un 

pixel descris prin culoarea sa în spaţiul RGB, aflat la locaţia spaţială q din imagine. Atunci 

~ ~ 

T 

( , ) ( ) ( ) 

~ 

a b 

xq 

xqab 

xq 

xqab 

( q), 

(4.94) 

d f 

a 

qS 

( 

~ ) ( 

I ) 

a 

După ce am găsit fereastra sursă ~ 

, valoarea fiecărui pixel de umplut 

 

q 

~ 

p'| 

p' 

pentru 

 

p 

care 

~ ( p') 

1 

este copiată din poziţia corespunzătoare din fereastra ~ în interiorul 

 

~ 

. 

p 

p 

După ce poziţiile spaţiale pentru care ( p') 

1 

din ferestrele ~ au fost 

 

completate cu noile valori ale pixelilor, termenul de încredere C(p) este actualizat în aceste 

locaţii spaţiale p’ după cum urmează: 

~ 

( p) 

~ ~ 

C( 

p), 

p 

 

~ 

pˆ 

C 

pˆ 

 

p 

q 

p 

, 

daca 

~ ( p) 

1. 

(4.10) 

Această actualizare permite păstrarea unei măsuri de încredere în pixelii deja umpluţi cu 

informaţie. Completarea continuând, valorile componentei de încredere scad, indicând că 

sunt mai puţin sigure valorile culorii pixelilor aproape de centrul regiuni ţintă.


4.3.3. Structura ferestrei fuzzy 

În acest algoritm fereastra fuzzy cu care se procesează imaginea are rolul de a da o 

importanţă ponderată pixelilor din vecinătate care nu vor fi copiaţi în fereastra procesată 

momentan. 

Forma ferestrei fuzzy este ilustrată în figura de mai jos, pentru diferite valori ale 

parametrilor ferestrei (fereastra fuzzy generică ~ fiind descrisă de o funcţie de 

apartenenţă de tip trunchi de piramidă patrulateră regulată, parametrii care trebuie 

specificaţii pentru definirea acestei funcţii sunt baza mare şi baza mică a trunchiului de 

piramidă). Fereastra este alcătuită dintr-o parte tranşantă adică din pixelii procesaţi şi o 

parte ponderata fuzzy alcătuită dintr-un număr de pixeli a căror informaţie este importantă 

într-o anumită măsură. 

0 0 0 0 0 0 0 

0 0,5 0,5 0,5 0,5 0,5 0 

0 0,5 1 1 1 0,5 0 

0 0,5 1 1 1 0,5 0 

0 0,5 1 1 1 0,5 0 

0 0,5 0,5 0,5 0,5 0,5 0 

0 0 0 0 0 0 0 

(a) 

0 0 0 0 0 0 0 0 0 

0 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0 

0 0,3 0,6 0,6 0,6 0,6 0,6 0,3 0 

0 0,3 0,6 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 0,6 0,3 0 

0 0,3 0,6 0,6 0,6 0,6 0,6 0,3 0 

0 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0 

0 0 0 0 0 0 0 0 0 

(b) 

31


Am ales această fereastră a fi fuzzy deoarece este important a lua în considerare şi 

pixelii din vecinătate pentru a găsi o bună potrivire a ferestrei şi în acelaşi timp pentru a 

asigura o continuitate a texturii. Astfel dacă asigurăm o continuitate a texturii vom obţine 

în final o imagine ce este verosimilă şi pare a fi o imagine nemodificată. 

„Ponderile” pixelilor din fereastra fuzzy reprezintă gradele de apartenenţă ale 

pixelilor la fereastra spaţială curentă, care pot fi privite ca „grade de importanţă” acordate 

pixelilor la planul curent de umplere. 

Un avantaj al acestei ferestre fuzzy îl reprezintă flexibilitatea pe care o da texturii 

de umplere şi modului de umplere a zonei de înlocuit. Prin folosirea ferestrei fuzzy se 

obţine eliminarea artefactelor de tip colţuri de ferestre (pătrate). 

Revenirea de la o fereastră fuzzy la o fereastră tranşantă se poate face în orice 

moment, fereastra tranşantă fiind un caz particular al ferestrei fuzzy. 

32 

0 0 0 0 0 0 0 0 0 0 0 

0 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0 

0 0,3 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,3 0 

0 0,3 0,6 1 1 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 1 1 0,6 0,3 0 

0 0,3 0,6 1 1 1 1 1 0,6 0,3 0 

0 0,3 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,3 0 

0 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0 

0 0 0 0 0 0 0 0 0 0 0 

(c) 

Figura 4.3. Exemplificarea ferestrei fuzzy: (a) fereastra fuzzy cu suport de 5×5 pixeli şi tăietura 

de nivel 1(lăţimea bazei mici) de 3×3; (b) fereastra fuzzy cu suport de 7×7 pixeli şi tăietura de 

nivel 1(lăţimea bazei mici) de 3×3; (c) fereastră fuzzy cu suport de 9×9 pixeli şi tăietura de nivel 

1(lăţimea bazei mici) de 5×5. 

4.3.4. Rezultate experimentale 

Acest algoritm a fost implementat de asemenea în mediul de programare C++ 

Builder. Am realizat o interfaţă simplă şi utilă pentru această aplicaţie. Se deschide 

imaginea ce urmează a fi prelucrată, folosind mouse-ul se face selecţia zonei ce se doreşte 

a fi îndepărtată din imagine. Se alege din meniu prelucrarea dorită, în acest caz algoritmul 

inpainting cu fereastră fuzzy, după care se alege dimensiunea ferestrei pe care o va folosi 

algoritmul. Se afişează în final rezultatul.


(a) (b) 

(c) (d) 

33


34 

(e) (f) 

Figura 4.4 (a)imaginea originală; (b)selecţia zonei de umplut; (c) rezultatul algoritmului de inpainting 

propus folosind fereastra fuzzy; (d) rezultatul algoritmului de inpainting bazat pe exemple, (e) 

imaginea diferenţă între rezultatul algoritmului de inpainting bazat pe exemple şi rezultatul 

algoritmului ce foloseşte o fereastră fuzzy; (f) imaginea (e) negativată. 

4.4. Un nou algoritm de umplere a spaţiilor bazat pe regiuni-exemplu 

din zone sursă multiple 


Acest algoritm va restaura imaginea deteriorată obţinând în final o nouă imagine pe 

baza unui algoritm de tip inpainting şi folosind ca sursă pentru umplere atât imaginea 

curentă cât şi alte imagini asemănătoare (ca de exemplu imagini pe aceeaşi temă, imagini 

ale aceluiaşi obiect dar din alt unghi sau imagini ale aceluiaşi pictor, imagini de picturi ale 

aceleiaşi şcoli ce folosesc aceeaşi gama de culori). Avantajul acestei propuneri ar fi luarea 

în considerare a unei regiuni mult mai mari pentru regiunea sursă, iar şansele de a găsi o 

potrivire mai bună sunt mult mai mari, ceea ce ar trebui să conducă la imagini mai 

„naturale”. 

Folosim aceeaşi modalitate de umplere ca la algoritmul de inpainting cu sinteză de 

textură bazată pe exemple pentru a obţine o imagine nouă şi fără a obţine o textură 

deformată.


(a) (b) 

(e) (d) 

(e) 

Figura 4.5. Propagarea texturii folosind algoritmul de inpainting cu mutiple zone sursă. (a) Imaginea 

originala, cu regiunea ţintă Ω, conturul său δΩ şi regiunea sursă Φ (b) Dorim să umplem zona 

delimitată de fereastra p; (c) căutarea celei mai probabile ferestre candidate ce se aseamănă cu 

fereastra centrată în p; (d) căutarea în cea de-a doua zonă sursă a celei mai probabile ferestre; (e) 

găsirea celei mai asemănătoare ferestre ce se potriveşte pentru Ψp, şi umplerea parţaială cu informaţie 

a ferestrei curente cu cea din fereastra candidată. Regiunea ţintă Ω s-a micşorat şi frontul δΩ şi-a 

schimbat forma. 

35


36 

4.4.2. Formularea algoritmului 

În primul rând, fiind dată o imagine de intrare, aleasă de utilizator pentru a fi 

restaurată, utilizatorul marchează manual regiunea ţintă Ω, regiunea ce urmează a fi 

completată. Regiunea sursă, Φ, este formată din imaginea de prelucrat mai puţin zona deja 

marcată şi o altă imagine asemănătoare ca textură sau asemănătoare vizibil cu imaginea de 

restaurat. 

Apoi, ca toate sintezele bazate pe exemple de textură, mărimea ferestrei şablon Ψ 

trebuie să fie specificată. Alegerea dimensiunii ferestrei se face la alegerea utilizatorului 

dar cum este menţionat şi în algoritmul descris mai sus dimensiunea ferestrei trebuie să fie 

mai mare decât cel mai mare element de textură ce se poate distinge. 

Algoritmul efectuează iterativ următorii paşi: se calculează priorităţile pentru 

fiecare fereastră de pe frontul de umplere, se caută fereastra care are prioritatea maximă 

după care se caută în imaginea sursă o fereastră care este cea mai asemănătoare cu 

fereastra cu prioritate maximă. Odată aflată fereastra similară se copiază pixelii din această 

fereastră în fereastra cu prioritatea maximă doar în locaţiile care erau pixeli fără informaţie. 

Ultimul pas este de reactualizare a termenului de încredere pentru pixelii care au fost 

completaţi. 

4.4.3. Rezultate experimentale 

Acest algoritm a fost implementat în mediul de programare C++ Builder. În aplicația 

implementată cu o interfață simplă se deschide imaginea ce urmează a fi prelucrată, şi de 

asemenea o imagine care poate oferi o imagine sursă, această imagine poate fi o imagine 

cu aceeaşi gama de culori sau o imagine a aceluiaşi obiect din alt unghi sau a unui obiect 

asemănător cu obiectul reconstituit. Folosind mouse-ul se face selecţia zonei ce se doreşte 

a fi îndepărtată din prima imagine. Se alege algoritmul inpainting cu multiple zone sursă, 

după care se alege dimensiunea ferestrei pe care o va folosi algoritmul. Se afişează în final 

rezultatul. 

(a) (b)


(c) (d) 

(e) 

Figura 2 Aplicare pe cadre succesive a algoritmului de umplere a spaţiilor bazat pe regiuni-exemplu cu 

multiple regiuni sursă (a) cadrul curent ;(b) cadru următor - a doua zonă sursă;(c) rezultatul aplicării 

algoritmului clasic cu o singură zonă sursă preluată din imaginea curentă de prelucrat;(d)rezultatul 

aplicării algoritmului ce foloseşte surse multiple; (e)captura din program cu ilustrarea sursei 

ferestrelor. 

37


5. Aplicații ale metodelor de detecție și corecție a 

defectelor în imagini de patrimoniu cultural și arhive 

digitale 

O problemă majoră în ceea ce privește operele de artă este degradarea acestora 

odată cu trecerea timpului. Ca rezultat în operele de artă digitizate există o serie de defecte. 

Mulți ani la rând metode științifice au fost aplicate pentru analiza și restaurarea operelor de 

artă. În ultimii ani a existat o creștere a interesului pentru restaurarea operelor de artă 

digitizate. În acest capitol am prezentat o serie de aplicații pentru detecția și restaurare 

vrtuală a defectelor din imagini de patrimoniu digitizate. Acestea sunt integrate sub forma 

unei aplicații software cu o interfață prietenoasă semi-auomatizată. Noi algoritmi propuși 

sunt integrați în aplcația noastră de restaurare virtuală care cuprinde: o învățare pe baza 

unui exemplu de defect de dimensiuni mici împreună cu filtrul vector median precum și o 

metodă de inpainting fuzzy pentru înlăturarea defectelor de dimensiuni mari (după o 

selectare manuală a defectului). Rezultatele experimentale pentru icoane sunt prezentate în 

ceea ce urmează pentru icoane pe lemn, arătând buna performanță a soluțiilor propuse 

precum și de ce aceste aplicații sunt dedicate icoanelor pictate. 

38 

5.1. Problematica imaginilor de partimoniu cultural și arhive digitale. 

Privire generală. 

Odată cu digitizarea bibliotecilor se vor oferi noi servicii, cum ar fi consultarea online 

a documentelor rare, recuperarea informaţiilor, precum şi posibilitatea de a împărtăşi 

cu alţi cititori cunoştinţele. Pentru a face ca aceasta să fie posibilă, avem nevoie de a 

digitiza toate cărţile importante. Numeroase proiecte de cercetare privind bibliotecile 

digitale studiază modulele viitoarelor biblioteci. Acestea se vor folosi pentru interogare, 

regăsire, analiză, gestionare, accesibilitate, utilizare, arhivare şi păstrarea informaţiilor. 

Există diferite motive care justifică digitizarea documentelor culturale şi de 

patrimoniu ca: deschidere către public a patrimoniului cultural, conservarea patrimoniului 

cultural prin accesul doar la varianta digitală, reducerea costurilor pe termen lung pentru 

duplicare şi consultarea documentelor, facilitarea accesului la colecţiile rare, oferirea de 

noi servicii ca urmărirea ediţiilor documentelor, compararea documentelor, colaborarea 

pentru studiul unui document. 

Şi în domeniul artei există o tendinţă de achiziţionare şi procesare a imaginilor, 

obiectelor de artă pentru stocare, analiză, transmisie şi reprezentare. 

5.2. Aplicații ale metodelor de detecție a defectelor de tip linii subţiri, 

praf, puncte izolate 

În acest capitol prezentăm o aplicație a metodelor de detecție a defectelor de 

dimensiuni mici de tip (praf, puncte izolate, zgârieturi) care înglobează algoritmi prezentați 

în capitolele anterioare și adaptați pentru aplicarea lor pe imagini de patrimoniu cultural. 

Unul dintre scopurile dezvoltării acestei aplicații a fost dezvoltarea unei aplicații care să 

realizeze o restaurare a imaginilor de patrimoniu cultural și arhive digitale. 

Pentru această aplicație considerăm (pentru restaurare), imagini ce reprezintă picturi 

care au fost deteriorate fie datorită trecerii timpului, fie din neglijența deținătorului fie din


alte motive cu defecte de dimensiuni mici ca zgârieturi, crăpături, puncte de praf, puncte 

izolate. 

Pentru defectele de dimensiuni mici ca praf, zgârieturi, crăpături am propus o aplicație 

pentru a detecta și restaura aceste defecte în doi pași. Mai întâi încercăm să detectăm 

defectul și apoi se face o restaurare a imaginii. Detecția defectului se face folosind 

trăsăturile ce se extrag din componentele de culoare roșu, verde și albastru. Aceste trăsături 

le clasificăm cu un clasificator SVM (mașini cu vector suport) cu o funcție RBF. Acest 

algoritm a fost descris mai pe larg în subcapitolul 3.2 și publicat în [Cislariu2011c]. 

Implementare a fost realizată în C++Builder sub forma unei aplicații Windows cu o 

interfață prietenoasă. Pentru implementarea mașinilor cu vectori suport am optat a lucra cu 

SVMLight. Această aplicație are două module: unul de detecție a deectului și una de 

corecție a defectului detectat. 

Pentru utilizarea modulului de detecție se parcurg următorii pași. Se apasă butonul 

„Open image” pentru a deschide o imagine. În urma acestei acțiuni se deschide interfața 

pentru alegerea imaginii dorite din fișierul dorit, această imagine va fi afișată în interfață. 

În continuare există două opțiuni: să se facă antrenarea sistemului și a doua să se facă o 

clasificare a imaginii deschise cu o configurație a clasificatorului deja existentă. 

În cazul în care se optează mai întai pentru o antrenare a sistemului se apasă butonul 

„Train”. Ca urmare aplicația așteaptă deschidera unei măști unde defectul este clar marcat 

(pentru a oferi exemplele pozitive) și o a doua mască unde sunt marcate niște zone de 

informație corectă (pentru a oferi exemple negative). În cazul nostru pentru masca cu 

zonele de nedefect am optat a oferi o bandă în jurul defectului. Acest măști sunt sub forma 

unor imagini unde zonele de interes sunt marcate cu alb iar în rest cu negru. După 

deschiderea celor două imagini aplicația cere un nume pentru fișierul txt în care se salvează 

trăsăturile pentru antrenare și în final se efectuează antrenarea (în mod automat). 

Pentru a aplica clasificarea zonelor din imagine nu este strict necesar a parcurge și 

partea de antrenare, se poate aplica doar partea de clasificare utilizând o configurație deja 

existentă a clasificatorului. Pentru a aplica doar clasificarea se optează pentru butonul 

„Classify”. Se deschide interfața de salvare unde se cere a da nume unui fișier text în care 

se salvează trăsăturile imaginii originale ce vor fi folosite în procesul de clasificare. Se 

efectuează clasificarea cu SVMLight iar apoi se deschide din nou interfata de dialog pentru 

a alege fisierul rezultat în urma clasificării. Odată ales acest fisier se afișează imaginea 

asociată sub forma unei măști în care defectele detectate sunt marcate cu alb iar restul e 

marcat cu negru. Odată obținută această mască se poate trece la următorul pas și anume 

corecția defectului detectat. 

Cel de-al doilea modul important al acestei aplicații este modulul de corecție. După ce 

am deschis imaginea și am clasificat-o am obținut masca defectului detectat. Dacă se 

apasă butonul „Filter” se efectuează corecția imaginii prin aplicarea unei metode de filtrare 

numai în punctele detectate anterior a fi puncte de defect. Apoi se afișază imaginea rezultat 

în urma pasului de corecție. 

Rezultate experimentale vor fi prezentate în ceea ce urmează. S-au aplicat operațiunile 

expuse mai sus pe opere de artă, picturi pe lemn (cu sprijinul Muzeului Astra) rezultatele 

restaurării sunt expuse în ceea ce urmează. Figura 5.1 reprezintă localizarea și corecția 

defectului de dimensiuni mici. Interfața aplicației pentru detecția și corecția defectelor mici 

este ilustrată în imaginea 5.2 – include și opțiunile pentru antrenarea clasificatorului SVM 

pentru identificarea defectului de dimensiuni mici, clasificarea cu SVM folosind un 

39


clasificator antrenat anterior și filtrul vector median pentru partea de corecție a defectului 

de dimensiuni mici detectat. 

40 

(a) (b) 

(c) (d) 

Figure 5.1 (a)Imaginea originală: icoana pe lemn „Iisus Învățător”, Colecția Muzeului Astra; (b) 

Detaliu din imaginea originală; (c)Masca pixelilor de defect detectați; (d) Imaginea restaurată după 

detecția defectului.


Figure 5.2 Interfața aplicației pentru detecția și corecția defectelor de dimensiuni mici. Prima imagine 

reprezintă imaginea originală , în dreapta avem detecția defectului iar în partea de jos avem rezultatul 

corecției defectului detectat. 

5.3. Aplicația de corecție a defectelor de tip zone lipsă/degradate de 

dimensiuni mari 

În literatura de specialitate defectele ce pot apărea în imagini sunt clasificate în 

două categorii. Din categoria defectelor mari fac parte pete, reclame, texte suprapuse, zone 

mari deteriorate, bucăţi nedorite din imagine care au nevoie de intervenţia utilizatorului 

pentru a fi localizate, această detecţie fie este una manuală în care utilizatorul marchează 

singur zonele de defect, fie este una semiautomată în care utilizatorul indică printr-un clic 

eventualele zone de defect. Pentru restaurarea defectelor mari de obicei se apelează la 

tehnici de tip inpainting bazat pe exemple ce au capacitatea de a umple cu informaţie utilă 

suprafeţe mai mari ce sunt considerate lipsite de informaţie. În ceea ce urmează ne vom 

concentra pe tehnicile folosite pentru a restaura defectele considerate mari din imagini. 

În inpaintingul bazat pe exemple pentru sintetizarea de texturi bazată pe exemple 

pot apărea distorsiuni sau artefacte de propagare. Dacă fereastra de propagare a texturii 

este mai mare decât elementul structural texel se poate întâmpla ca în fereastra de 

propagare a texturii să apară la început mici distorsiuni care apoi să se propage ca textură. 

Astfel imaginea rezultată nu va fi una verosimilă ci va fi o imagine nenaturală în care se 

observă denaturarea imaginii. 

Dacă fereastra de propagare a texturii în inpaintingul bazat pe exemple este mai 

mare decât elementul structural (texel) apare posibilitatea introducerii de artefacte. Astfel 

41


imaginea rezultată nu va fi una verosimilă ci va fi o imagine nenaturală în care se observă 

denaturarea imaginii un artefact nenatural şi deci se observa falsificarea imaginii dat fiind 

faptul că rezultatul final nu este întotdeauna unul plauzibil pentru un nou privitor ce nu a 

văzut imaginea înainte de aplicarea algoritmului. 

O nouă provocare pentru acest algoritm este o implementare care să folosească şi 

tehnici de inteligenţă artificială [Shih]. Astfel propunem o implementare ce înlocuieşte 

fereastră tranşantă clasică de inpainting cu o fereastră fuzzy care adaugă la o fereastră 

tranşantă o extensie (o prelungire) de pixeli ce vor conta într-un anumit grad. 

Așadar în ceea ce privește restaurarea imaginilor cu defecte de dimensiuni mari ca 

și zone lipsă, pete, lacune am propus în capitolul 4 o metodă de umplere ce este o 

generalizare fuzzy a algoritmului lui Criminisi, o abordare a inpaintingului bazat pe 

exemple [Criminisi2003]. Localizarea defectului de dimensiuni mari se face manual de 

către utilizator (folosind mouse-ul) prin intermediul interfaței aplicației (zona ce urmează 

a fi înlocuită din imagine este marcată cu roșu) sau se încarcă direct o imagine unde zona a 

fost marcată anterior și se dă această imagine ca intrare a algoritmului inpainting fuzzy. 

Algoritmul propus a fost amănunțit descris în subcapitolul 4.3 și este o generalizare 

a algoritmului de inpainting bazat pe exemple și care folosește o fereastră fuzzy în locul 

unei ferestre tranșante pentru căutarea celei mai bune ferestre de umplut. Motivația pentru 

utilizarea ferestrei fuzzy în locul unei ferestre tranșante este posibilitatea pe care o oferă 

pentru a găsi cea mai bună potrivire și de a lua în considerare o mai mare parte din 

informația locală în procesul de găsire a celei mai bune potriviri. Acest proces este foarte 

important cu cât ne îndepărtăm de centrul ferestrei, dar poate juca un rol important în 

selectarea celei mai bune ferestre candidate a cărui conținut va fi „copiat” în partea de 

fereastră ce aparține defectului. În unele cazuri rezultatele sunt mult mai bune și mai 

naturale decât cele obținute cu algoritmul tranșant. 

Aplicația prezentată a fost implementată sub forma unei aplicații Windows în 

mediul de programare C++Builder. Am realizat o interfaţă simplă şi utilă pentru această 

aplicaţie. Pentru testare am folosit imagini ale unor picturi pe lemn de la muzeul Astra. 

Rezultate ale restaurării pot fi văzute mai jos. 

Pentru utilizare se parcurg următorii pași. Se deschide imaginea ce urmează a fi 

prelucrată din meniul „File”. Folosind mouse-ul se face selecţia zonei ce se doreşte a fi 

îndepărtată/corectată. Detecția defectului se face manual de către utilizator. Se alege din 

meniu prelucrarea dorită, în acest caz „inpainting”, după care se alege dimensiunea 

ferestrei pe care o va folosi algoritmul. Se optează pentru tipul de algoritm dorit: 

algoritmul clasic ce folosește la umplere o ferastră tranșantă (butonul „Crisp inpainting”) 

sau algoritmul fuzzy ce folosește pentru umplere o fereastră fuzzy (butonul „Inpainting 

fuzzy”). În funcție de butonul apăsat se afişează în rezultatul final. 

În meniu există și opțiunea de „Other procesing” unde sunt implementate mai multe 

procesări ca de exemplu adunarea a două imagini, scăderea a două imagini, negativarea 

unei imagini. 

Pe imaginea originală sunt afișate grafic pătrățele ce reprezintă ferestrele sursă dar 

și ferestrele destinație, astfel se poate vizuatiza care sunt zonele de unde s-a preluat 

informația pentru umplere. În cazul optării pentru inpaintingul fuzzy se va afișa 

suplimentar pe interfața grafică două reprezentări ale ferestrei fuzzy. Pentru vizualizare în 

stanga imaginii rezultat este afișat un tabel care reprezintă forma ferestre fuzzy unde pot fi 

vizualizate valorile ponderilor fuzzy. De asemenea la dreapta imaginii rezultat este afișată 

reprezentarea ferestrei fuzzy sub forma unei imagini. 

42


Figura 5.3 Interfața pentru aplicația pentru corecția defectelor de dimensiuni mari. În partea de sus 

avem o imagine cu un defect de dimensiuni mari ce a fost marcat de către utilizator. În partea de jos se 

poate observa rezultatul algoritmului de inpainting fuzzy propus . 

(a) (b) 

43


44 

(c) (d) 

(e) (f) 

Figura 5.4 (a) Icoană deteriorată:”Arhanghelul Mihail” colecția muzeului Astra; (b) detaliu din 

imagine cu selecţia zonei de defect ce se doreşte a fi umplută; (c)rezultatul algoritmului clasic de 

umplere; (d)rezultatul algoritmului ce foloseşte ferestre fuzzy pentru umplere, (e)-(f) imaginile (c) și 

(d) cu dierențele marcate. 

6.Contribuții personale și concluzii 

În cadrul lucrării de doctorat am prezentat o serie de algoritmi, aplicații și soluții 

noi pentru corecția corecția, îmbunătățirea și restaurarea imaginilor color, bazate pe 

folosirea tehnicilor fuzzy și a mașinilor cu vectori suport. 

Din sfera relativ larga a problematicii restaurarii si imbunatatirii imaginilor digitale 

si secventelor video, am ales sa studiez si sa contribui la domeniul restaurarii si corectiei 

imaginilor color afectate de zgomot in impulsuri, degradate prin prezenta unor defecte de 

dimensiuni mici si prin existenta unor regiuni spatiale mari afectate de degradare, care nu 

mai pot fi corectate prin metode de filtrare, ci doar prin metode de umplere a regiunilor 

(numite tehnici inpainting). 

Datorită particularităților privind diferitele defecte atât de dimensiuni mari cât și de 

dimensiuni mici ce afectează imaginile color și problemelor legate de refacerea sau 

corecția imaginilor color afectate de astfel de defecte, cercetarea actuală în domeniu


studiază următoarele probleme abordate și în teza de doctorat și vizate prin contribuțiile 

aduse: 

1) Elaborarea și dezvoltarea unor soluții pentru eliminarea zgmotului color în 

impulsuri din imagini color, într-o maniera cât mai eficientă din perspectiva 

plauzibilitatii vizuale a imaginii rezultate, atât din perspectiva reducerii 

vizibilității zgomotului, cât și a păstrării detaliilor imaginii. Algoritmii 

propuși sunt bazați pe utilizarea logicii fuzzy, alegere justificată de 

adaptarea sa la modul de rationament uman. Acești algoritmi sunt 

prezentați în Capitolul 2 al tezei și publicați în [Suteu2009] și 

[Cislariu2010] . 

2) Elaborarea și dezvoltarea unor soluții pentru detecția și corecția defectelor 

de dimensiuni mici din imagini monocrome și color folosind inteligența 

artificială. Soluțiile propuse în teză sunt bazate pe algoritmi care folosesc 

tehnici fuzzy și mașini cu vectori suport (SVM). Aceștia sunt prezentați în 

Capitolul 3 al tezei și publicați în lucrările [Cislariu2011a],[Cislariu2011c]. 

3) Investigarea unor soluții pentru corecția defectelor de dimensiuni mari cu 

scopul de a obține o imagine cât mai apropiată de realitate prin utilizarea 

tehnicilor de tip inpainting bazat pe exemple. În acest sens în Capitolul 4 al 

tezei am prezentat un nou algoritm care include tehnici fuzzy, susținut prin 

publicare [Cislariu2011b], precum și un algoritm care pentru umplere 

folosește mutiple zone sursă. 

4) Elaborarea unor soluții pentru restaurarea operelor de artă precum și 

dezvoltarea unor aplicații pentru detecția și corecția defectelor din imagini 

de patrimoniu cultural și arhive digitale. În acest context se încadrează 

aplicațiile prezentate în Capitolul 5 al tezei și publicate în [Cislariu2011c]. 

În aceste sisteme și algoritmi se urmărește posibilitatea obținerii unei îmbunătățiri 

din punct de vedere vizual a imaginii rezultate în final. 

În subcapitolul 2.2 al tezei este prezentat un nou algoritm de filtrare a zgomotului 

color în impulsuri din imagini color folosind tehnici fuzzy. Algoritmul prezentat folosește 

logica fuzzy în ordonarea pixelilor pentru aplicarea filtrului median, folosind spațiul HSV. 

Ordonarea se face mai întâi pentru componenta de culoare cea mai importantă perceptual, 

și anume nuanța, apoi pentru următoarea componentă (ca importanță perceptuală) de 

culoare și anume saturația și în final se folosește ultima componentă de culoare, valoarea. 

Pentru a implementa această ordonare se folosește o cascadă de trei filtre, primul pentru 

nuanță, apoi pentru saturație și ultimul pentru valoare. Acest tip de filtrare este unul adaptat 

la percepția umană deoarece este capabil să evalueze diferențele de culoare perceptual 

aproximative. 

Dezavantajul acestei tehnici de filtrare este aplicarea repetată a unor filtre și în 

consecință filtrarea multiplă a imaginii, care poate conduce la deteriorarea muchiilor. 

Aceste observații au condus la elaborarea celui de-al doilea algoritm de filtrare 

propus în teza de doctorat și prezentat în subcapitolul 2.3. Acesta aduce o îmbunătățire 

prin adaptarea cascadei de filtre în funcție de contextul local din imagine. Astfel filtrul 

poate decide dacă se aplică o cascadă de două filtre sau una de trei filtre în spațiul de 

45


culoare HSV pentru eliminarea zgomotului color în impulsuri din imagini color luând în 

considerare doar cromaticitatea locală. Cascada de filtre își poate adapta forma pentru a 

filtra fie două componente: nuanță și valoare, fie trei componente de culoare: nuanță, 

saturație și valoare. 

Această adaptare aduce o îmbunătățire în ceea ce privește conservarea muchiilor 

față de algoritmul precedent, dar datorită cascadei de filtre totuși capacitatea de a păstra 

muchiile nealterate este destul de redusă. 

Rezultatele experimentale ale algoritmului propus pentru eliminarea zgomotului 

color de tip impulsuri din imagini color demonstrează o superioritate a performanțelor 

eliminării zgomotului față de alți algoritmi din literatura de specialitate. În plus are 

avantajul adaptării formei filtrului în funcție de cromaticitatea locală din imagine și 

adaptarea la percepția umană a culorii, având capacitatea de evaluare a diferențelor 

perceptuale de culoare. 

În Capitolul 3 al tezei am abordat tema detecției defectelor de dimensiuni mici în 

imagini color și monocrome. Am propus două metode noi de detecție a defectelor de 

dimensiuni mici. Scopul urmărit a fost de obținere a unei detecții cât mai exacte a 

defectului fără a omite părți importante din defect. 

În subcapitolul 3.2 am prezentat o variantă de detecție a defectelor mici care a fost 

publicată în [Cislariu2011c] prin care propun o nouă strategie de detecție a defectului cu 

ajutorul mașinilor cu vectori suport (clasificatoare SVM). Clasificatorul SVM este în primă 

fază antrenat într-un spațiu de trăsături de tip disimilaritate de contrast local și 

disimilaritate de intensitate a componentelor primare de culoare (R, G, B) între imaginea 

de prelucrat si o variantă filtrată trece jos a acestei imagini, utilizand pentru antrenare 

valori extrase dintr-o imagine în care defectul este bine cunoscut. Aceste trăsături extrase 

sunt atât pentru exemple negative (de defect) cât și pentru exemple pozitive (de nondefect). 

Odată antrenat SVM-ul este capabil să clasifice cu o precizie destul de mare 

defecte de dimensiuni mici și din alte imagini, dovedind o capacitate mare de generalizare 

(specifică de altfel acestui tip de sisteme instruibile). Astfel în urma clasificării obținem o 

imagine mască a defectului. În pixelii detectați ca defect aplicăm un algoritm de corecție a 

defectului, bazat pe filtrare color (eventual cu unul dintre filtrele propuse). 

Deși în unele cazuri pixelii detectați ca fiind de defect în urma clasificării sunt mai 

mulți decât defectul în sine, aceasta nu prezintă o problemă, deoarece defectul detectat nu 

este unul sistematic în jurul muchiilor iar rezultatul etapei de corecție va fi unul verosimil. 

Rezultatele experimentale arată o detecție destul de clară a defectului indiferent de 

imaginea folosită, deși antrenarea a fost făcută cu o singură imagine. 

În subcapitolul 3.3 am prezentat o a doua variantă de detecție a defectelor de 

dimensiuni mici, care a fost publicată în [Cislariu2011a]. Această metodă folosește un 

algoritm fuzzy pentru identificarea defectelor de dimensiuni mici, bazat pe o modificare a 

algoritmului fuzzy c-means. 

Deși detecția defectului este una destul de bună, un minus al acestui algoritm poate 

fi considerat clasificarea falsă a unui număr considerabil de puncte nealterate de defect în 

categoria defectelor, deși acestea nu vor afecta în final imaginea în urma pasului de 

corecție pentru că sunt puncte izolate. 

46


Contribuțiile prezentate în Capitolul 4 al tezei se referă la corecția defectelor de 

dimensiuni mari din imagini color folosind tehnici de tip inpainting bazate pe exemple. 

Corecția defectelor mari este o problemă destul de greu de rezolvat deoarece zonele mari 

trebuie umplute cu informație în așa fel încât în final imaginea sa fie una credibilă pentru 

un privitor. Selecția informației de umplut este de asemenea dificilă deoarece se ia 

informația din aceeași imagine și aceasta trebuie să se potrivească într-o manieră cât mai 

plauzibilă cu informația din imediata vecinatate a zonei de defect, pentru a umple o zonă 

lipsă din imagine. 

În subcapitolul 4.3 am prezentat un algoritm care folosește în etapa de căutare a 

potrivirii cu exemplul, o fereastră fuzzy. Importanța vecinătății ferestrei de umplut este 

modelată într-o maniera flexibilă prin intermediul ponderilor fuzzy din fereastra de 

umplere. Vecinătatea este importantă pentru că umplerea se face cu ferestre „aproape” 

egale cu ferestrele existente pe marginea zonei de umplut pentru informația existentă în 

fereastră. Algoritmul este prezentat în [Cislariu2011b] 

O soluție de umplere a defectelor de dimensiuni mari există în literatura de 

specialitate, dar soluția propusă folosește pentru propagarea texturii fereastra tranșantă. 

Această modalitate nu este întotdeauna cea mai bună metodă, deoarece neținând cont de 

vecinătățile ferestrelor poate apărea efectul nedorit de propagare a unei texturi date sau cel 

de propagare a aceleeași ferestre, propagarea repetată conducand la un efect de „blocuri” 

vizibile în imaginea restaurată. 

Un alt algoritm propus este cel prezentat în subcapitolul 4.4. Folosind tehnica 

algoritmului de inpainting bazat pe exemple, am propus un algoritm care aduce o 

îmbunătățire prin extinderea zonei sursă, zona în care se caută cea mai bună potrivire 

pentru umplere. Rezultatele experimentale arată ca acest tip de algoritm poate fi folosit cu 

succes pentru restaurarea, corecția și îmbunătățirea cadrelor video. 

În Capitolul 5 am abordat problematica aplicațiilor dedicate restaurării imaginilor 

de patrimoniu cultural și arhivelor digitale. Aceste aplicații sunt importante deoarece 

imaginile de patrimoniu cultural dar și din arhive digitale au nevoie deseori de a fi 

restaurate, dar cel puțin pană la ora actuală, disponibilitatea unor astfel de sisteme pe plan 

mondial este destul de limitata. 

Astfel în subcapitolul 5.2 și 5.3 am descris cele două aplicații propuse și publicate 

în [Cislariu2011c]. Aplicațiile descrise sunt destinate exclusiv imaginilor de patrimoniu 

cultural și arhivelor digitale. Imaginile utilizate pentru aceste aplicații sunt imaginile unor 

opere de artă achiziționate în diferite modalități. Operele de artă pentru care s-au aplicat 

algoritmii sunt preluate din colecția Muzeului Astra din Sibiu și care din diferite motive 

conțin defecte de dimensiuni mari și defecte de dimensiuni mici. 

Aplicația propusă pentru restaurarea defectelor de dimensiuni mici din imagini de 

patrimoniu cultural și arhive digitale face restaurarea în doi pași: primul pas este de 

detecție a defectului și următorul pas este de corecție a defectului detectat. La pasul de 

detecție a defectului de dimensiuni mici se folosește o mașină cu vectori suport deja 

antrenată pentru a clasifica pixelii de defect și non-defect din imaginea dată. În urma 

clasificării pixelilor din imagine obținem o mască a defectului detectat. Pentru pasul de 

corecție în fiecare punct din masca obținută în pasul de detecție se aplică o metodă de 

filtrare, în cazul de față filtrul vector median. 

47


În cazul defectelor de dimesiuni mici detecția defectului se face automat, dar în 

cazul defectelor de dimensiuni mari detecția defectului se preferă să fie făcută manual și 

utilizatorul să selecteze din imagine zona de defect. Odată selectată zona de defect 

algoritmul poate începe procesul de umplere a acestei zone. 

Pentru corecția defectelor de dimensiuni mari am abordat metodele de inpainting. 

Am propus o nouă metodă de umplere a zonelor mari de defect bazată pe metoda 

implementată de [Criminisi2003] în care pentru umplerea cu textură am folosit în locul 

unei ferestre tranșante o fereastră fuzzy. Folosirea acestei ferestre este motivată de 

importanța unei regiuni mai mari din vecinătate în procesul de căutare a celei mai potrivite 

ferestre pentru umplere. 

Perspective de continuare a cercetării 

În continuarea activității de cercetare desfășurate în cadrul doctoratului, 

intenționăm atât îmbunătățirea algoritmilor prezentați în cadrul tezei cât și continuarea 

cercetării în vederea obținerii de noi contribuții. 

În ceea ce privește îmbunătățirea algoritmilor și sistemelor propuse și prezentate în 

cadrul tezei de doctorat, am în vedere următoarele: 

48 

a) Continuarea cercetării pentru metodele de filtrare a zgomotului color în 

impusuri din imagini color prezentate în Capitolul 2, îmbunătățirea 

algoritmilor prezentați în vederea păstrării muchiilor intacte, folosirea 

mașinilor cu vectori suport pentru a detecta pixelii de zgomot și aplicarea 

filtrării doar în punctele detectate ca fiind de zgomot. 

b) Pentru detecția și corecția defectelor de dimensiuni mici îmi propun 

continuarea studiului și îmbunătățirea algoritmilor propuși în Capitolul 3 în 

sensul minimizării ratei de acceptare false și ratei de rejectare false. 

c) În ceea ce privește algoritmul de inpainting bazat pe exemple prezentat în 

Capitolul 4 îmi propun continuarea studiului și implementarea unui algoritm 

de umplere cu fereastră fuzzy a zonei de defect de dimensiuni mari având ca 

sursă mai mult de două imagini din aceeași categorie; extinderea ar putea 

ajunge pană la o arhivă de imagini clasificate ca făcând parte din aceeași 

categorie. Folosirea mai multor imagini ca sursă pentru algoritmul de 

umplere oferă o mai mare posibilitate de optimizare a găsirii unei ferestre 

care să se potrivească mai bine în zona de umplere. De asemenea îmi 

propun să investighez și să implementez un algoritm de inpainting care 

efectuează procesul de umplere multiscală adaptivă. Am în vedere studierea 

aplicării teoriei reprezentării rare și dicționarelor de imagini în tehnicile de 

inpainting. 

d) Pentru aplicațiile prezentate în Capitolul 5 intenționez să studiez 

posibilitatea implementării și integrării unui algoritm automat sau 

semiautomat de detecție a defectelor de dimensiuni mari. Această problemă 

este cu atât mai dificilă cu cât defectul variază ca suprafață și uneori este 

parte integrantă din imagine. 

O altă direcție de extindere a cercetării vizează aplicarea algoritmilor de inpainting 

nu numai pe imagini ci și în alte domenii cum ar fi cel audio. Ca noutate la ora actuală se 

încearcă introducerea inteligenței artificiale (prin folosirea tehnicilor fuzzy sau a mașinilor


cu vectori suport) în algoritmii de umplere, această direcție este precizată în [Shih]. O nouă 

direcție care este la început de drum dar încă ridică destule probleme este încercarea de a 

aplica algoritmi de inpainting pentru secvențe audio. Aceste noi aplicații constituie un 

deosebit interes pentru cercetarea personală, în special integrarea unor costuri fie tranșante 

fie fuzzy în algoritmul de inpainting și aplicarea lor cu scopul de a obține o îmbunătățire a 

rezultatelor (imagini cât mai naturale care pentru un privitor să pară cât mai verosimile) . 

49


Bibliografie selectivă 

[Andreadis2003] Andreadis I., Louverdis G., Soft morphological color image processing: a 

fuzzy approach, IEEE 11th Mediterranean Conf. on Automation & Control, No 7-008, pp. 

1-5, Rhodes, Greece, Iunie 2003. 

[Andreadis2004] Andreadis I., Louverdis G., Chatizianagostou S., “New fuzzy color 

median filter”. Jurnal of Intelligent and Robotics Systems, vol.41,pp. 315–330,2004. 

[Ardizzone2009] Ardizzone E., Dindo H., Mazzola G., “Content-Based Image Retrieval as 

Validation for Defect Detection in Old Photos”, Recent Advances in Signal Processing, 

Book edited by: Ashraf A Zaher, ISBN: 978-953-307-002-5, Publisher: InTech, Publishing 

date: November 2009 

[Ballester2003] Ballester C., Caselles V., and Verdera J., “A variational model 

fordisocclusion,” presented at the IEEE Int. Conf. Image Processing,2003. 

[Bergman2007] Bergman R.; Maurer R; Nachlieli H.; Ruckenstein, Gitit C., P.; Greig, 

Darryl, “Comprehensive Solutions for Removal of Dust and Scratches from Images”, HPL- 

2007-20, HP Laboratories Israel, Februarie 2007 

[Berns2001] Berns R. S. “The science of digitizing paintings for color-accurate image 

archives: A review”. Journal of Imaging Science and Technology 45:305-325, Volume 45, 

Number 4, July/August 2001. 

[Bertalmio2000] Bertalmio M., Sapiro G., “Image inpainting” Proceedings of the ACM 

SIGGRAPH Conference on Computer Graphics, pp:417-424, New York, USA, 2000. 

[Bertalmio2003] Bertalmio M., Vese L., Sapiro G., and Osher S., “Simultaneous 

structureand texture image inpainting,” IEEE Trans. Image Process., vol. 12, no.8, pp. 882– 

889, Aug. 2003. 

[Bezdek1981] Bezdek J. C., “Pattern Recognition with Fuzzy Objective Function 

Algorithms”, Plenum Press, New York, 1981. 

[Cislariu2010]Cislariu M., Gordan M., Vlaicu A., “A Novel Fuzzy Color Median Filter 

Based on an Adaptive Cascade of Fuzzy Inference Systems”, in Leszek Rutkowski, Rafal 

Scherer, Ryszard Tadeusiewicz, Lotfi A. Zadeh and Jacek M. Zurada(Eds.): Artificial 

Intelligence and Soft Computing, 10th International Conference, ICAISC 2010, Zakopane, 

Poland, June 13-17, 2010, Part I. Proceedings ICAISC (1), LNAI 6113 - subseries of 

Lecture Notes in Computer Science, pp. 27-34, Springer-Verlag, Berlin Heidelberg 2010 

[Cislariu2011a] Cislariu M., Gordan M., Salca V.E., Vlaicu A. „A Fuzzy C-Means Based 

Color Impulse Noise Detection and Its Benefits for Color Image Filtering”, in Robert 

50


Burduk, Marek Kurzynski, Michael Wozniak, Andrzej Zolnierek (Eds.): Computer 

Recognition Systems 4, The 7 International Conference on Computer Recognition Systems 

(CORES2011), Poland, May, 2011, Proceedings CORES, Advances in Intelligent and Soft 

Computing, 2011, Volume 95/2011, pp. 449-458, Springer-Verlag, Berlin Heidelberg 2011 

[Cislariu2011b] Cislariu M., Gordan M., Vlaicu A. „A Fuzzy Set Generalization of the 

Exemplar-Based Image Inpainting”, Acta Technica Napocensis, Vol 52, No. 2/2011, pp 54- 

59. 

[Cislariu2011c] Cislariu M., Gordan M., Vlaicu A., Florea C., Ciungu Suteu S., „Defect 

Detection and Restoration of Cultural Heritage Images”, prezentat la conferința PRODOC, 

acceptat spre publicare la revista Acta Technica Napocensis. 

[Criminisi2003] Criminisi A., Pérez P., and Toyama K., “Object removal by exemplarbased 

inpainting,” presented at the IEEE CVPR, 2003. 

[Kokaram2002] Kokaram A., “Practical MCMC for missing data treatment in degraded 

video,”presented at the ECCV Workshop on Statistical Methods for Time Varying Image 

Sequences, Copenhagen, Denmark, 2002. 

[Kokaram2004] Kokaram, A.C., “On missing data treatment for degraded video and film 

archives: a survey and a new Bayesian approach”, IEEE Transactions on Image Processing, 

pp.397-415, Martie 2004. 

[Koschan2001] Koschan A., Abidi M., “A comparison of median filter techniques for noise 

removal in color images”, University of Erlangen-Nurnberg, Institute of Computer Science, 

vol. 34, no. 15, pp. 69-79, October, 2001 

[Mansoor2007] Mansoor R. S, Pandy Maheswari T, Abhai Kumar V (2007), A Detail 

Preserving Filter for Impulse Noise Detection and Removal, ICGST-GVIP Journal, vol. 7, 

no. 3, pp.51-56. 

[Morillas2005] Morillas S., Gregori V., Peris-Fajarens G., Latorre P., A New Median Filter 

Based on Fuzzy Metrics, Lecture Notes in Computer Science, vol. 3656, pp.82-91, 2005. 

[Morillas2006] Morillas S., Fuzzy metrics and peer groups for impulsive noise reduction in 

color images, 14th European Signal and Image Processing Conference, Italy, 2006. 

[Sapiro2005] Sapiro G., “Inpainting the Colors,” Image Processing ICIP, IEEE. 

International Conference, Vol.2, II, 2005, pp.698-701. 

[Schallauer1999] Schallauer P., Pinz A., Haas W.. “Automatic restoration algorithms for 

35mm film”, J. Computer Vision Res., Vol.1(3), pp. 59-85, 1999. 

51


[Schulte2007] Schulte S., de Witte V., Nachtegael M., van der Weken D., Kerre E.E., 

Histogram- based fuzzy colour filter for image restoration, no.9, pp.1377-1390, September, 

2007. 

[Shih] Shih T. K., Chang R., Chou S., Chen Y., and Tamkang H., Digital Inpainting -Image 

Inpainting, Video Inpainting, Holes Removal on 3-D Surfaces, Summary - inpainted 

mechanism region information damaged picture spikes pixels , University, Taiwan. 

[Shih2004] Shih T.K., Rong-Chi Chang, Liang-Chen Lu, Wen-Chieh Ko, Chun-Chia Wang 

,”Adaptive digital image inpainting”, Dept. of Comput. Sci. & Inf. Eng., Tamkang Univ., 

Taipei, Taiwan, 2004, page 71 - 76 Vol.1 

[Smolka2005] Smolka, B., Chydzinski, A., Wojciechowski, K.: Fast Detection and 

Impulsive Noise Attenuation in Color Images. In: Proceedings of the 4th International 

Conference on Computer Recognition Systems, CORES 2005, pp. 459–466 (2005) 

[Suteu2009]Suteu M., A Novel Fuzzy Color Median Filter Based on a Cascade of Fuzzy 

Inference Systems, The 5th symposium for students in electronics and telecommunications 

SSET, Novice Insights, Issue 6, pp.94-99, Cluj-Napoca, 22 Mai 2009. 

[Vapnik] Vapnik V.N., “Statistical Learning Theory”, J. Wiley, N.Y., 1998 

[Vertan2000] Vertan C., Boujemaa N.,Buzuloiu V. A Fuzzy Color Credibility Approach To 

Color Image filtering, Conference on Image Processing, International, vol. 2, pp. 808-811, 

Canada, September, 2000. 

[Zadeh1965] Zadeh L.A., “Fuzzy Sets*”, Information and Control, No.8, pp.338-353, 1965. 

52


Lista publicațiilor 

Cislariu M., Gordan M., Vlaicu A., “A Novel Fuzzy Color Median Filter Based on an 

Adaptive Cascade of Fuzzy Inference Systems”, in Leszek Rutkowski, Rafal Scherer, 

Ryszard Tadeusiewicz, Lotfi A. Zadeh and Jacek M. Zurada(Eds.): Artificial Intelligence 

and Soft Computing, 10th International Conference, ICAISC 2010, Zakopane, Poland, 

June 13-17, 2010, Part I. Proceedings ICAISC (1), LNAI 6113 - subseries of Lecture 

Notes in Computer Science, pp. 27-34, Springer-Verlag, Berlin Heidelberg 2010 

Cislariu M., Gordan M., Salca V.E., Vlaicu A. „A Fuzzy C-Means Based Color Impulse 

Noise Detection and Its Benefits for Color Image Filtering”, in Robert Burduk, Marek 

Kurzynski, Michael Wozniak, Andrzej Zolnierek (Eds.): Computer Recognition Systems 

4, The 7 International Conference on Computer Recognition Systems (CORES2011), 

Poland, May, 2011, Proceedings CORES, Advances in Intelligent and Soft Computing, 

2011, Volume 95/2011, pp. 449-458, Springer-Verlag, Berlin Heidelberg 2011 

Cislariu M., Gordan M., Vlaicu A. „A Fuzzy Set Generalization of the Exemplar-Based 

Image Inpainting”, Acta Technica Napocensis, Vol 52, No. 2/2011, pp 54-59. 

Cislariu M., Gordan M., Vlaicu A., Florea C., Ciungu Suteu S., „Defect Detection and 

Restoration of Cultural Heritage Images”, prezentat la conferința PRODOC, acceptat spre 

publicare la revista Acta Technica Napocensis. 

Suteu M., A Novel Fuzzy Color Median Filter Based on a Cascade of Fuzzy Inference 

Systems, The 5th symposium for students in electronics and telecommunications SSET, 

Novice Insights, Issue 6, pp.94-99, Cluj-Napoca, 22 Mai 2009. 

Mihaela Gordan, Ovidiu Dancea, Mihaela Cîșlariu, Ioan Stoian, Aurel Vlaicu, "Fuzzy 

image processing, analysis and visualization methods for hydro-dams and hydro-sites 

surveillance and monitoring" - chapter abstract accepted for the book "Natural Resource 

Management", ISBN 979-953-307-420-6, InTech Publishing (acceptat spre publicare) 

Rapoarte științifice 

1. Mihaela CÎȘLARIU, Raport de cercetare științifică 1: Algoritmi fuzzy 

adaptivi de filtrare a zgomotului în imagini digitale color, Martie 2010 

2. Mihaela CÎȘLARIU, Raport de cercetare științifică 2 : Algoritmi inpainting 

cu metode de inteligenţă artificială/tehnici soft computing, Septembrie, 

2010. 

3. Mihaela CÎȘLARIU, Raport de cercetare științifică 3: Aplicaţii ale 

algoritmilor de restaurare a imaginilor color pentru arhive digitale, film şi 

imagini de patrimoniu cultural, Februarie, 2011. 

53

Rezumat teza - Universitatea Tehnic?

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?